提出了一种新的 Decorrelated Weighting Regression (DWR) 算法，能够提高模型错误规范化和未知测试数据下的参数估计准确性和预测稳定性。

Jan, 2020

预测表现受到缺失协变量的影响，处理缺失数据的方法选择会极大地影响模型性能。研究发现，具有信息性缺失值的模型可以实现最佳的预测性能，但实际部署后缺失值产生的原因可能会发生变化，此时基于缺失的条件概率在目标数据中会有所不同。因此，如果缺失值的产生是不可忽略的，Bayes 预测器可能会因为缺失值的变化而有所改变。然而，我们的实证研究发现，在高度信息化的情况下，忽略缺失值是最有益的。

Jun, 2024

本文提出了一种自适应的线上学习方法 - 自适应符合推断方法，该方法结合了预测集和符合推断的思想，能够在任何黑箱模型中实现长时间内预期的覆盖概率，从而解决了数据变化扰动的问题。

Jun, 2021

我们提出了一种在无监督域偏移下聚合预测区间的方法，该方法能够获得宽度较小且覆盖目标域的预测区间，其计算效率高并易于实现。

May, 2024

该论文探讨了如何绕过测试分布的要求以训练分布转换器，并在多领域和单一领域的广义数据集上进行了实验。他们提出了一种便携式的分布漂移反演算法，通过线性组合附加高斯噪声并使用仅在源分布上进行训练的扩散模型将 OoD 测试样本转移到训练分布中。

Jun, 2023

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

该文研究了机器学习模型在遇到新的用户数据时，如何估计模型的性能，提出了一种新的分布偏移模型 SJS 和算法框架 SEES，实验结果表明 SEES 在各种数据集和分布偏移情况下，相比现有方法，均能显著提高分布偏移误差的估计精度。

Sep, 2022

本文研究了对行 / 列可交换矩阵中的共形化入口预测的开放问题，并提出了两种可行的算法，这些算法可以有效地保护覆盖有效性并估算了缺失对于预测准确性的影响。

May, 2023

训练具有缺失条目的预测模型时，我们可以利用两阶段自适应优化问题来处理缺失数据，并提出了一种新类模型，即自适应线性回归模型，其中回归系数根据观测特征进行自适应。我们展示了一些自适应线性回归模型等价于同时学习一个填充规则和一个下游线性回归模型，而不是顺序学习。我们利用这种联合填充 - 回归解释来推广我们的框架到非线性模型。在数据不随机缺失的情况下，我们的方法可以提高 2-10% 的样本外准确率。

Feb, 2024

该论文提出了 SpectraNet，一种新颖的多变量时间序列预测模型，利用动态的潜在空间谱分解来捕捉当前的时间动态和相关性，并同时执行预测和插值任务。在五个基准数据集上，该方法在预测和插值任务上同时实现了最优表现，与其他预测和插值模型相比，参数量减少了高达 92%，训练时间可比较。在数据缺失率高达 80% 的情况下，SpectraNet 的表现将近比次优解改善了 50%。

Oct, 2022