本文提出了一种广义的函数线性回归模型，包括函数线性模型、泊松回归和二项回归，并使用截断 Karhunen-Loeve 展开逼近预测过程进行降维，开发了一种适用于广义回归模型的渐近推断方法，其中截断参数随样本大小而增加，并应用控制变量的中心极限定理来建立维数的渐近增加，建立合适的 L^2 度量下的估计和真实函数之间的适当缩放距离的渐近正态性。

May, 2005

本文提出一种基于深度学习的通用算法，用于预测任意数量的分位数，并确保分位数单调性约束，达到机器精度，并在实验中获得最先进的结果，同时证明其可扩展性适用于大规模数据集。

Jan, 2022

本研究介绍了一种新的多元条件生成模型，并展示了它在概率时间序列预测和模拟中的性能和多功能性。

Jul, 2019

基于鲁棒分位数回归和深度学习的方法，在关键特征异常值存在的情况下，提出了用于估计不确定性的方法，并在医学成像翻译任务中展示了其适用性。

Sep, 2023

本文介绍了一种新的预测方法，将 Conformal prediction 和经典的 quantile regression 相结合，使其完全适应异方差性，并且能够在不做分布假设的情况下，建立具有有效覆盖率的预测区间，相比其他 conformal 方法，本文提出的方法具有更高的效率和更短的预测区间。

May, 2019

本研究提出了一种非参数化和数据驱动的方法 Neural Spline Search（NSS），用于表示观测数据分布，该方法通过将输入数据用一系列单调样条回归引导的符号操作进行转换，具有灵活和表现力等优点，在合成和真实世界回归和时间序列预测任务中显示出优异表现。

Jan, 2023

本文提出了针对回归模型的不确定性量化问题的非参数校准方法，该方法能够简单高效地提升模型个体校准的性能。通过数值实验，证明其优越性。

May, 2023

本文提出了一种新的假距度量方法，该方法使用数据深度来扩展多元分位数的概念，从而度量欧几里得空间上的连续概率分布之间的差异，并通过有限样本破坏点研究了其稳健性。

Mar, 2021

本研究提出了将 CP 与 QR 结合的预测推理程序，通过对输入协变量作回归来实现对分位函数的预测，借此推出具有本地经验保证的自适应预测间隔，并且证明了与现有方法相比具有相似的效率。

Apr, 2023

基于回归方法，我们开发了建模和推断计数事实分布的工具，并构建了置信区间用于检验计数事实的功能假设，应用到美国数据的实证分析中，同时引入了分布回归作为建模方法，这个方法不仅全面灵活，而且对于建立稳健分布回归进程及各种相关的功能，我们建立了中心极限定理和引导验效果。

Apr, 2009