通过二级优化程序，我们开发了一种自适应策略，设计间接实验来在选定的目标上尽可能减小询问的上下界之间的差距，从而告知关于真实机制的查询。

May, 2024

通过任务特定的实验设计和推导到定制特定下游应用程序的采样策略，我们提出了一种更节省样本数据的替代随机对照试验的方法，用于因果推断，并在各种重要任务，实际数据集和样本大小的情况下，胜过其他基准，例如需要一种数量级的数据才能在定向营销任务中达到随机对照试验的性能。

Jun, 2023

本文提出了一种通过样本量调整来进行临床试验适应性的新方法，该方法可以基于辅助数据和主要测量变量来选择特定的子组，从而提高试验效率。

Nov, 2014

该研究提出了一种新方法 Treatment Effect Subset Scan (TESS)，用于在随机实验中确定哪个子人群受到治疗的影响最大，实验表明该方法可以发现异质性治疗效果.

Mar, 2018

本文研究了试验或观察研究中估计因果效应异质性的问题以及在子群体之间进行处理效应差异大小的推断。提出了一种新的交叉验证标准来确定因果效应的预测是否准确，并将该方法应用于一个大规模的针对搜索引擎的实验。

Apr, 2015

本文提出了一种基于合成控制的治疗效果估计方法的加权平均的一般化模型，其中权重可以为负且总和不为一，通过正则化方法解决可能存在的大量可能的对照组。

Oct, 2016

本文研究对社会项目和医疗方案的疗效进行随机实验评估时，如何准确评估其异质性治疗效应，进而为大量可用的治疗方案选择最有效的方案，确定治疗成功或失败的人群，以及设计个性化的最佳治疗方案。本文提出一种利用支持向量机分类器适应变量选择问题进行异质性治疗效应评估的方法，并证明其优于常用替代方法。

May, 2013

本研究关注样本受限制条件下的治疗效果估计问题，基于线性效应模型设计了有效的实验方案和估算器，涉及随机控制试验、子集选择、划分以及采样等方法。

Oct, 2022

通过设计统计检验以及估计观察性研究的最大偏差强度的下界，我们提出了一种超越平均治疗效应的实证研究比较方法，并在真实环境中验证了该方法的有效性，结果与现有医学知识相一致。

Apr, 2024

本文旨在将来自多个随机对照试验的信息传递给只有对照组数据的目标人群。我们通过源人群的治疗组的加权混合构建针对目标人群的合成治疗组，并通过最小化加权源人群的对照组与目标人群之间的条件最大均值差异来估计权重。基于筛选半参数理论，我们建立了合成治疗组估计器的渐近正态性。当均值可交换性假设被违反时，我们的方法可以作为一种新型的补充方法。我们通过对合成和真实数据集的实验来证明了我们方法的有效性。

Sep, 2023