本文介绍了 R2P 方法，它使用任意外生估计算法来估计个体化治疗效果，并量化治疗效果估计的不确定性，通过更强大的构造实现更均匀的缺陷组和更异构的子组划分，同时产生比其他方法更窄的置信区间。

Jun, 2020

通过将问题重新定义为一个学习任务，而不是 m 个个别任务，我们提出了一种新的方法，基于将数据递归地分成不同治疗方案最佳的区域。我们开发了新的工具来验证和评估观察数据中的个性化模型，并在个性化医学和职业培训应用中展示了我们的新方法的优势。

Aug, 2016

本论文研究了在有限先验知识下的自动协变量选择问题，通过本地分区发现算法对变量集合进行划分，识别混淆因素和其他变量类型，实现有效的调整集合确定。实验证明了该方法在调整集合的发现方面具有更好的性能。

Oct, 2023

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

该论文介绍了一种新的过程，用于探索 Rashomon 集合模型，并延伸传统的建模方法。其核心是通过引入 Rashomon_DETECT 算法来识别 Rashomon 集合中的最不同模型，该算法比较揭示预测依赖于变量值的配置文件，以量化模型之间的变量效果差异，进而展示了该方法在预测医学数据中的有效性和多功能性。

Aug, 2023

在本研究中，我们探讨了数据生成过程中的机制以及分析师在学习过程中做出的选择，以确定 Rashomon 比率的大小。我们证明了更嘈杂的数据集通过从业者训练模型的方式导致较大的 Rashomon 比率。此外，我们还引入了一种称为模式多样性的度量，该度量捕捉了 Rashomon 集中不同分类模式之间的平均预测差异，并解释了它为什么会随着标签噪声的增加而增加。我们的结果解释了为什么简单模型在复杂且有噪声的数据集上通常能和黑盒子模型表现一样好的一个关键因素。

Oct, 2023

通过利用 dropout 技术来探索 Rashomon 集合中的模型，提出了一个用于衡量和减轻预测多样性的新框架，通过严格的理论推导和实验证明该技术在预测多样性度量估计方面始终优于基准方法，并通过 dropout 集成和模型选择实现了高效的 Rashomon 集合探索和度量估计。

Feb, 2024

本文利用随机变量的最大统计量将分区函数与之相关联，提供了一种新的框架，通过随机扰动模型上的 MAP 推断来近似和限制分区函数，从而可以使用图割等高效 MAP 求解器来评估相应的分区函数，证明我们的方法在典型的 “高信号 - 高耦合” 区域中表现出色，这导致了难以处理的凹凸不平的能量景观。

Jun, 2012

确定一个足够大的样本大小以估算数据驱动的子组中的条件反事实期望，将问题转化为同时推断问题并与固定的样本大小预算相关联，以逆推可行的治疗方案数量或分区复杂度。

Mar, 2024

我们的研究将因果估计推广到具有任意个维度或可测空间的结果，将传统的因果估计用于名义变量作为因果差异检验，提出了一种简单的方法来调整普遍一致的条件独立性检验，并证明这些检验是普遍一致的因果差异检验。数值实验证明，我们的方法 Causal CDcorr 与现有策略相比，在有限样本的有效性和功效方面都有所改进。我们的方法都是开源的，可以在 github.com/ebridge2/cdcorr 获取。

Jul, 2023