采用定量化理论方法来优化研究关键效应，学习给定不连续变量的因果效应大小，并应用动态规划来设计不连续性的最佳量化，以平衡效应大小中的收益和损失

May, 2023

本文提出一种新的核平滑方法，可以在不需要参数模型的情况下，对连续治疗（如剂量）进行因果效应估计，并允许处理密度或结果回归的错误规范。方法经过了模拟证明，并应用于护士人员配备对医院复诊惩罚的研究中。

Jul, 2015

本文提出了一种非实验设置下绘制因果关系的方法，并展示了一个广义倾向得分估计器，该估计器允许我们估计连续治疗的直接效应和溢出效应，并研究了溢出效应如何塑造农业市场政策干预的最优水平。结果表明，在这种情况下，忽略干扰可能会导致在评估政策有效性时出现向下偏差。

Apr, 2020

本文提出了一种基于深度神经网络，并以生存分析为灵感的 hazard function-based loss function 的实用预测框架，用于预测广告创意的中止，并成功地将其与传统方法进行了比较和验证。

Apr, 2022

本文提出了一种基于连续处理效果边际敏感模型 (CMSM) 的方法，该方法结合了可扩展的算法和深度模型，用于估算高维大样本观测数据的不确定性并识别潜在干扰变量，以进一步理解当假设被放松时因果估计所引入的忽略误差，并将其应用于气候科学中由人类排放对云特征的影响的研究。

Apr, 2022

本研究提出了一种利用线性时不变动力系统和高斯过程，能够弥补观察数据中剂量级别变化以及不定期观测的不足的方法，能够更加准确地进行多变量数据的建模和预测。

Apr, 2017

本文介绍了一个最小性标准，用于针对 SBV 上的 Mumford-Shah 函数及其它非凸变分积分中的表面和体积项。该方法提供了几个最小性结果的简短且简易的证明。

May, 2001

基于回归方法，我们开发了建模和推断计数事实分布的工具，并构建了置信区间用于检验计数事实的功能假设，应用到美国数据的实证分析中，同时引入了分布回归作为建模方法，这个方法不仅全面灵活，而且对于建立稳健分布回归进程及各种相关的功能，我们建立了中心极限定理和引导验效果。

Apr, 2009

本篇论文通过建立时间连续的结构嵌套模型，提出可以在时间相关性干扰存在下，估算时间变化的治疗效应的概念框架和形式化方法，同时表明这样的估算器是准确和渐近正常的。

Oct, 2004

本研究提出了一种新的基于深度学习的无监督方法，用于从 IoT 数据中映射出可解释的状态和转换。经过大量实验表明，该方法优于现有技术，并学习更微妙的断点边界。

Jan, 2018