本文探究了在分类上，当协变量发生变化时，简单的预先估计方法是不可行的，因为降低协变量的信息量会导致与源和目标分布之间的关系失去恒定性。我们证明了在统计意义上，保留协变量变化特性的协变量变换对于所有协变量是必要的，同时提出了一种另类的探究算法来应对协变量变化下的类先验估计问题。

Jun, 2022

通过特征函数的导数在 0 处的刻画，给一类替代性损失函数提供 Fisher Consistency 特性的证明。

Aug, 2014

本文提出了一种建立在鲁棒性预测推断上的不确定性估计模型，使用 conformal inference 方法建立了准确覆盖测试数据分布的预测集，通过估计数据漂移量建立了鲁棒性，并在多个基准数据集上进行了实验证明了该方法的重要性。

Aug, 2020

我们研究了在数据集偏移下的类别分布估计问题，讨论了协变量转移、可因子化联合转移和稀疏联合转移的假设及其对类别分布估计的影响。

Nov, 2023

提出了一种在 Causal Markov 假设和较弱的 k-Triangle-Faithfulness 假设下，能够一致估计线性高斯因果结构的 Markov 等价类和可识别结构系数的估计器。

Feb, 2015

训练模型以适应由类先验或群组先验的分布变化引起的偏移问题并不容易，我们提出一种极其轻量级的事后方法，通过在验证集上求解约束优化问题并应用于模型，从而在测试时尽量减小选定目标分布周围的分布鲁棒性损失，并带有可证明的保证和实证的结果证明，表明我们的方法非常适用于分布鲁棒的事后分类器。

Sep, 2023

本文讲述了在统计学及数学心理学的多个应用中，Fisher 信息量扮演着重要的角色，并阐明了在三个统计学范式中 Fisher 信息的不同应用：第一，在频率学派范式中，Fisher 信息被用来建立假设检验和置信区间，使用最大似然估计量；第二，在贝叶斯学派范式中，Fisher 信息被用来定义默认优先级；最后，在最小描述长度范式中，Fisher 信息被用来度量模型复杂度。

May, 2017

本文探讨了利用边缘向量的平滑凸损失函数在多类分类问题中的 Fisher 一致性条件，并利用这一条件导出了两种新的多类别提升算法，使用指数和逻辑回归损失函数。

Jan, 2009

通过考虑协变量变化，提出了一种对于未知数据能够保持公正与性能的预测模型的方法。

Oct, 2020

通过研究二元预测问题、先验概率转移及基础分类器的优化策略，本文确定其最大似然估计量的渐近方差，发现其与特征下类别标签的 Brier 得分相关，并点明了训练基础分类器的方法以最优化训练集和测试集的 Brier 得分。

Jul, 2021