使用因果领域转移模拟决策支持系统的部署，并提供条件期望的新型跨领域识别结果，既可事前又可事后评估决策支持系统的部署，并通过重新训练模型评估在未部署决策支持系统情况下的风险，为多种形式的目标变量偏差提供了实用的统一解决方案。

Mar, 2024

通过研究表征分类器对基础数据分布的影响的具有宏观性质的 映射方法，进一步分析重复风险最小化的扰动轨迹，提出了性能对准的概念，从而提供了关于收敛性的几何条件。

Jun, 2021

该研究论文介绍了一种新的算法 PerfGD，通过捕捉模型对数据分布的影响来优化模型参数，为解决通过部署机器学习模型改变数据分布引起的性能问题提供了新的解决方案。

Feb, 2021

本文提出了一个理论框架，建模了目标人群对已部署分类器的响应，同时研究了基于重复风险最小化和一种更懒惰的方法的两个重新训练算法的收敛性，能够更好的控制已部署分类器的影响，同时探讨了不同人群获取信息和资源的差异对已部署分类器的响应影响。

Nov, 2020

在机器学习任务中，分布偏移是一种常见情况，其表示训练模型使用的数据与实际应用模型的数据不同。本文旨在定义和检测教育环境中的分布偏移，关注标准预测问题，即学习一个以输入序列为输入（预测变量）X=(x_1,x_2,...,x_m) 并生成输出 Y=f (X) 的模型。

May, 2024

本研究旨在研究不需要假设空间为凸集且模型对数据分布的映射事先已知的可应用的可执行预测问题。通过开发两级零阶优化算法，该算法一级旨在计算分布图，而另一个级别则将可执行预测目标重新参数化为由所引发的数据分布的函数。在一定的条件下，这种重新参数化使我们能够将非凸的目标转化为凸的目标，并实现可证明的遗憾保证。

May, 2023

本研究探讨在数据分布漂移时，机器学习模型的预测性能和模型解释特征如何受影响，以及这些关键指标如何相互关联，发现模型解释任务的建模是检测预测性能变化的更好指标。

Oct, 2022

本文研究了在 performative 情境下找到接近最优点的模型的问题，该算法在找到最优解的同时还能保证低的后悔值，并通过对分布性的探索来构建风险置信度，从而建立了一种利用 bandits 算法来实现 performative 反馈下的后悔最小化的概念方法。

Feb, 2022

该研究提出一种执行预测框架，关注于找到稳定的分类器来影响他们要预测的数据；并且可以放松关于损失函数的假设，通过使用 Lipschitz 连续的预测数据分布。通过实验，该研究表明可以使用这种方法学习关于真实数据的神经网络分类器。

Apr, 2023

通过对劳动市场的平衡模型进行研究，我们发展了一种因果战略分类的表述，在这种模型中，战略代理人可以直接操纵他们的结果。作为应用，我们比较了预计劳动力战略反应和不预计劳动力战略反应的雇主。我们通过理论和实验的结合表明，具有表现最优的招聘政策的雇主可以提高雇主回报率、劳动力技能水平，并在某些情况下实现劳动力公平。另一方面，我们证明具有行动表现的雇主会损害劳动力效用，并且在其他情况下无法防止歧视。

Apr, 2024