本文研究实验设计问题，应用 D-optimality criterion 估计误差，设计了两种逼近算法并提出改进方案。

Feb, 2018

在差分隐私框架下，研究高维稀疏线性回归模型中的模型选择问题，采用指数机制和 Metropolis-Hastings 算法，并建立其强模型恢复性质和混合时间的多项式关系，同时也确立了 Metropolis-Hastings 随机游走模拟的近似差分隐私性质。

Oct, 2023

研究最优实验设计，针对再生核希尔伯特空间（RKHS）中的线性泛函估计，提供了构建偏差感知设计的算法，并推导出在次高斯噪声下的固定和自适应设计的非渐进置信集，使得可以高概率地证明具有有界误差的估计。

May, 2022

本文提出了一个多项式时间的遗憾最小化框架，以在所有统计效率计算标准上，用只有 O (p/ε^2) 个设计点实现（1+ε）近似，并与传统算法作比较，本算法实现了 D/E/G 效率最优可行化的（1+ε）近似。

Nov, 2017

本文提出了一种用于高维协变量信息下随机实验治疗效果估计的风险一致回归调整的方法，并建议使用交叉估计方法来获得有限样本无偏的治疗效果估计，最后对自适应规范搜索和机器学习方法如随机森林或神经网络等进行了拓展分析。

Jul, 2016

探讨了在普通最小二乘回归中，找到或推翻删除数据集中的小子集会反转系数符号的实用算法；通过实证研究了用于此任务的成熟算法技术在一般线性回归问题和特殊情况下的精确贪婪方法方面的性能，证明这些方法在几个维度的回归问题中优于现有技术并提供了实用的鲁棒性检查；但对于维度为 3 或更高的回归问题中推翻这种小型影响样本存在性的重要任务仍存在显著的计算瓶颈；通过使用源自算法稳健统计的最新创新思想的谱算法在这一挑战中取得了一些进展；总结了在几个挑战数据集中，已知技术的限制，以促进进一步的算法创新。

Jul, 2023

本文研究预算机制，解决实验设计问题中的信息增益最大化问题，同时考虑受试者的成本和潜在威胁，并通过多项式时间的机制设计方案实现良好的近似效果。

Feb, 2013

本文介绍了混淆纯探索迁移线性赌博问题（ exttt {CPET-LB}）。作为一个动机性例子，通常在线服务不能直接将用户分配到特定的控制组或处理组，这可能是出于商业或实际原因。在这些设置中，简单地比较处理组和控制组（可能由自我选择引起）可能导致对潜在处理效果的有偏估计。相反，在线服务可以采用适当的随机鼓励来激励用户参与特定的处理。我们的方法提供了一种自适应的实验设计方法，用于学习在这种鼓励设计中表现最佳的处理。我们考虑了一个更一般的由线性结构方程所捕获的底层模型，并在这种设置下制定了纯探索线性赌博问题。尽管在标准自适应实验设计设置中已经对纯探索问题进行了广泛研究，但我们相信这是首次在一个混淆了噪声的设置下进行研究。文章提出了一种使用实验设计方法结合一种新颖的有限时间置信区间的消除算法，该算法在仪器变量估计器的样本复杂性上界几乎与最小极小界相匹配。最后，我们进行了实验证明了我们方法的有效性。

Jun, 2024

本文从贝叶斯角度研究非线性系统的最优实验设计问题，提出了基于梯度的随机优化方法，并通过传感器放置问题的数值试验证明了该方法的性能。

Dec, 2012

本研究提出了一种名为 “后双重选择” 的新型估计方法和统一的有效推断方法，用于控制干扰因素对治疗效果的影响。该方法相对于标准后模型选择估计器的优点在于它允许控制点的不完美选择，并提供跨模型的有效置信区间。

Dec, 2011