该论文通过元分析现有的自然语言处理论文和数据集，表征了一系列设置的典型统计功率，最终得出结论，在自然语言处理文献中，实验功率不足是常见的。作者还概述了 NLP 统计功率分析的最佳实践，并发布了一系列笔记本来帮助未来的研究者进行统计功率分析。

Oct, 2020

为了解决多元问题下统计功效估计与灵敏度分析的计算瓶颈，文中探讨了一种基于机器学习模型的简单通用解决方案，可将计算成本降至原方法的 10% 以内，并在提供良好 F1 得分的同时，进一步阐述了在跨分布学习能力的学习能力对于提高统计功效估计精度的重要性。

Dec, 2021

本文探讨了实验参与者试验中试验次数和参与者数量对统计力量的影响，并演示了在常用实验范式中，当被试内的方差与被试间的方差相比较大时，试验次数具有意义的影响，提供了一个在线工具来生成功率轮廓，并计算出最佳的试验和参与者组合.

Feb, 2019

在研究中，我们强调了推论效用的重要性，并提供了反对从合成数据（处理这些数据就好像它们是真实观察到的一样）进行天真推断的实证证据，我们认为即使估计是无偏的，阳性结果的率（类型 1 错误）将会不可接受地高，一个原因是低估了真实标准误差，它可能会随着更大样本量而逐渐增加，导致收敛较慢。这对于深度生成模型尤其是一个问题。在发布合成数据之前，开发针对这样的数据的统计推断工具至关重要。

Dec, 2023

通过对大量正电子发射断层扫描数据进行统计分析，我们提出了一种通用性框架，用于处理脑结构和功能的多元宇宙情景中的噪音，并汇总多个数据预处理流程的结果，以得出准确结论。

Apr, 2024

本文提出了一种框架来生成具有特定类型偏差和它们的组合的合成数据，以分析在机器学习模型中存在的各种偏差，讨论它们与道德和正义框架的关系，并利用我们提出的合成数据发生器在不同场景中（包括存在不同偏差组合的场景）进行实验，因此分析了偏差对未减轻和减轻的机器学习模型的性能和公平度指标的影响。

Sep, 2022

在确定样本量和效应量时，本文介绍了一种程序，用于形式化研究者对所选择领域的效应量的预期，从而计算所需的最小测量变量数量，同时还概述了确定子群分析的最小样本量的方法，并使用模拟提供了常用子群分析方法（k 均值，Ward 层次聚类，c 均值模糊聚类，潜在类别分析，潜在属性分析和高斯混合模型）的参考表，该表显示了达到可接受的统计功效所需的每个预期子群（样本量）和变量数量（测量变量），可直接用于研究设计。

Sep, 2023

本文研究了估计多重检验背景下的效应大小分布的问题。我们提出了一种简单、高效的估计器，可使用廉价的试验数据，在比识别发现类试验所需采样数量显著少的情况下，估计该分布。该估计器可用于保证未来试验中给定实验设计中将被发现的发现数量，并展示了在 Drosophila 上进行的流感抑制基因敲除试验数据的有效性。

Feb, 2020

提供数量证据来推动研究者使用嵌套交叉验证方法，同时介绍在研究设计中进行机器学习分析的功率分析方法和 MATLAB 代码，使用 Monte Carlo 模拟比较了四种不同的交叉验证方法，在统计效力和统计置信度方面比较，结果表明嵌套 10 折交叉验证具有最高的统计置信度和统计效力，而样本量要求比单次留存法少 50%，嵌套交叉验证模型的置信度比单次留存法模型高四倍。

Aug, 2023

本文探讨了将生物大脑在食物匮乏时进入低功率模式的类似机制应用于一类神经形态系统中的可能性，其中功耗强烈依赖于突触重量的大小。通过数学模型和仿真，我们特别展示了仔细缩放突触权重可以显著降低功耗（在部分测试用例中达到 80％以上），同时对精度的影响相对较小。这些结果揭示了一种令人兴奋的机会来设计边缘 AI 应用的神经形态系统，其功耗可以根据能源可用性和性能需求进行动态调整。

Jun, 2023