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

在多个环境下进行预测的情况中，我们解决了构建有效置信区间和集合的挑战。通过扩展自助法和分割一致性方法，我们研究了适用于这些问题的两种覆盖类型，展示了如何在这些非传统的分层数据生成场景中获得无分布覆盖。我们还在非实数值响应的设置中进行了扩展，并在这些一般问题中建立了一致性理论。我们演示了一种新的调整方法以适应问题的难度，该方法既适用于具有分层数据的预测推断的现有方法，又适用于我们开发的方法；通过神经化学感应和物种分类数据集，我们评估了方法的实际性能。

Mar, 2024

本文提出了一种称为 “无穷小套索” 的线性逼近方法，用于评估机器学习算法的误差，可以取代数据加权的反复拟合，适用于大数据集。该方法的理论适用于各种随机或确定性的数据和权重，可以广泛应用于机器学习领域，特别是在自动分化方面。

Jun, 2018

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

PPBoot is a bootstrap-based method that simplifies and expands the scope of prediction-powered inference to estimation problems without requiring asymptotic characterizations.

May, 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

本文旨在提出解决复杂数据分析问题中的信心度测量的方法，包括判断两个节点之间的边缘是否成立、一个给定节点的马尔可夫毯子是否鲁棒以及变量排序等方面，并通过 Efron 的 Bootstrap 方法来实现对这些问题的计算高效求解。此外，作者提出使用这些信心度测量来从数据中产生更好的结构，以及检测潜在变量的存在。

Jan, 2013

本文提出针对机器学习集成方法的正式统计推断程序，重点在于利用样本的子样本进行 U - 统计的预测，进而提供置信区间，以及作为检验功能、估计方差等应用。

Apr, 2014

本文提出两种方差降低方法对分布式、隐私保护学习中使用的基于自助法的方法进行改善，包括权重 M - 估计器等。进行了理论和实证分析以证明我们的方法。

Jul, 2016