该研究提出一种控制选择性 I 型错误的方法，以恢复经典情境下适用的选定假设的长期频率性质，推导出一些用于指数家族模型的最强无偏选择性检验和置信区间以及线性回归模型的新型选择性 z 和 t 检验。

Oct, 2014

基于有限的人工标记数据，预测引导推理（PPI）方法可以提高统计估计。我们提出了一个基于贝叶斯推理的 PPI 框架，可以方便地开发新的任务适用的 PPI 方法，包括针对离散回答和非线性评分的 autoraters 的改进方法。

May, 2024

研究了基于随机响应的选择推断，包括两个主要优点：更强大的选择有效检验和选择推断程序的一致估计和弱收敛。提出了一个框架，结合多个随机选择程序后的推断，并在经典渐近设置下进行了重点研究。

Jul, 2015

基于有限的人工标注数据，利用预测增强推断 (Prediction-powered inference, PPI) 方法可以改善统计估计。Stratified Prediction-Powered Inference (StratPPI) 是一种通过简单的数据分层策略来改善基本的 PPI 估计的方法。它提供了一种基于分层采样的计算成簇样本参数（例如平均值）的有效置信区间的算法，可以在多种条件分布的目标数据中获得比非分层方法更紧密的置信区间。

Jun, 2024

在现代统计学和机器学习中，条件独立性检验是基础性且具有挑战性的。许多现代的条件独立性检验方法依赖于强大的监督学习方法，在学习回归函数或贝叶斯预测器时作为一种中间步骤。然而，当监督学习方法由于模型错误估计导致失败时，这些方法的行为了解还很有限。在更广义上，即使使用通用逼近器（如深度神经网络），模型错误估计仍然可能产生。因此，我们研究了基于回归的条件独立性测试在模型错误估计下的性能。具体地，我们提出了三个基于回归的测试的测试误差的新近似值或上界，这些误差依赖于模型错误估计。此外，我们引入了一种新的基于回归的条件独立性测试方法，即 Rao-Blackwellized 预测器测试（RBPT），该方法对模型错误估计具有鲁棒性。最后，我们使用人工数据和真实数据进行实验证明了我们的理论和方法的有用性。

Jul, 2023

基于小型标记数据集和通常远大于其的机器学习预测数据集，我们提出了 PPI++：一种计算轻量级的估计和推断方法。该方法自动适应可用预测的质量，生成易于计算的置信区间（对于任何维度的参数），始终改进传统的区间估计方法，仅使用了标记数据。PPI++ 建立在预测驱动的推断（PPI）的基础上，解决了相同的问题设置，并提高了其计算和统计效率。真实和合成实验证明了所提出改进的好处。

Nov, 2023

我们提出了一种基于组合程序转换的方法，用于支持概率编程语言中的变分推断，该方法能够灵活地处理多个关键问题，包括自动微分、密度累积、跟踪和无偏梯度估计策略。此外，相比于现有的支持变分推断的概率编程语言，我们的设计在用户定义的目标、梯度估计策略和模型、变分族类别方面具有更高的表达能力。

Jun, 2024

提出了一种利用机器学习进行预测的统计推断框架，可有效计算均值、分位数、线性和逻辑回归系数的置信区间，适用于蛋白质组学、基因组学等多种领域。

Jan, 2023

本研究讨论了在放松先前研究中常用假设的情况下的成员推理问题：其一，考虑倾斜先验概率，提出了一个适用于此情况的基于 PPV 的度量标准；其二，考虑了攻击者根据攻击目标选择推理阈值的情况，并开发了一种改进推理攻击的阈值选择过程。通过将此与每个实例的损失阈值结合，提出了一种新的攻击方法，即便在其他攻击看似无效的情况下，也能在损失函数的局部最小值周围找到训练集成员相应的输入，从而实现高 PPV 值。

May, 2020

该文提出了一个新颖的算法，用于构建自然参数的置信区间和 p 值，并使用高维线性回归问题和一个高通量基因组数据集进行测试。

Jun, 2013