本文研究了一种高阶无穷小 jackknife 方法来评估机器学习和统计估计器的误差和变异性，并提供了计算所有阶数的递归过程及有限样本精度界限，此方法可在高维度下进行高效计算。

Jul, 2019

本文介绍了一种新的方法 jackknife + 用于构建预测置信区间，并证明了如何它通过考虑最近自变量的离群值来提供严格的覆盖保证，与原始 jackknife 不同，而实验数据表明两种置信区间在稳健性较好的情况下能够实现几乎完全的覆盖且长度相似，此外我们还将 jackknife + 延伸到 K 倍交叉验证。

May, 2019

提出了一种基于 Jackknife + 和 Bootstrap 的预测区间构建方法 (J+aB)，该方法只使用可用的 Bootstrap 样本及其对应的拟合模型，可以在不假设数据分布，拟合模型的性质或集成模型聚合方式的情况下提供保证，并可以免费进行模型拟合，实验结果验证了预测区间的覆盖率和准确性。

Feb, 2020

本论文描述了如何利用模型损失函数的影响函数构建频率学过程，以构建一种基于 Frequentist 的 Discriminative Jackknife 方法，用于估计深度学习模型的预测不确定性。实验表明，该方法相对于基于贝叶斯神经网络的方法和非贝叶斯回归基线表现具有竞争力。

Jun, 2020

本文提出了一种通用的基于增量学习算法的交叉验证 (Cross-validation) 的性能估计方法，并通过实验表明其在减少计算负担，以及对数据规模扩展和分布式实现上均具有良好的性能。

Jun, 2015

通过单个牛顿推的启动程序，实现了对大量训练数据集的 CV 的近似，解决了 CV 运行时间长的问题；本文提供了一致的非渐进性，确定性的模型评估保证，同时也保证了与 CV 相当的模型选择性能。

Mar, 2020

研究了交叉验证的中心极限定理和渐近方差一致估计，为 $k$ 折测试错误的可实现渐近精确置信区间和有效的假设测试提供了理论框架，并且在真实数据实验中表现优异。

Jul, 2020

机器学习中的 K-fold 交叉验证和神经影像数据集

Jan, 2024

本文介绍了一种广义的自助法技术，用于通过求解估计方程获得的估计量。我们讨论了该技术的一些特例，包括 Efron 的经典自助法、删除 djackknife 和贝叶斯自助法变体。通过示例讨论了该技术的使用。证明了该方法的分布一致性，并获得了重新采样方差估计的渐进表示。

Apr, 2005

本文提出了新型一致性得分，结合适用于分类问题的定制化 Conformal inference、交叉验证、Jackknife 等方法，在保证边际覆盖率的前提下，也可以应对复杂的数据分布，其在合成数据和真实数据上获得实际价值和统计优势。

Jun, 2020