正交因果校准
研究提出了一种基于样本拆分的元算法，该算法的输入为目标参数和干扰参数的估计算法，并且在 “Neyman 正交性” 条件下，通过这个元算法可以在更弱的假设条件下，提供干扰成分存在时的额外风险保证，同时考虑到干扰参数估计误差对于超额风险边界的影响仅仅是二阶的，具有很好的灵活性。
Jan, 2019
我们提出了正交随机森林算法，该算法结合了 Neyman - 正交减少估计误差对无关参数的敏感度，与广义随机森林，通过随机森林对条件矩模型进行灵活的非参数统计估计。我们提供了一致性速率，并为我们的估计器建立了渐进正态性。我们展示了在无关参数的一致性速率具有渐近性的温和假设下，我们可以实现与先验知识相同的错误率。我们展示了当无关函数具有局部稀疏参数化时，本地 l1 - 惩罚回归实现所需速率。我们将我们的方法应用于从离散或连续处理的观察数据中估计异质处理效应，并且我们显示，与先前的工作不同，我们的方法可以在标准稀疏条件下控制高维变量集。我们还对我们算法在合成和实际数据上进行了全面的实证评估。
Jun, 2018
我们提出了一种新的校正方法 - 使用约束学习框架和 C-Learner 方法 - 来解决复杂干扰参数估计错误，并在多个数据集上进行实证分析，展示了其在因果估计中的高效性和性能优势。
May, 2024
提出了一种方法，可以一致且渐近无偏地估计所有适当的校准误差和改进术语，并验证了所提估计器的所述特性，并建议后续校准方法的选择应由所关注的特定校准误差决定。
Dec, 2023
通过近期关于机器学习和决策的文献，校准已成为二进制预测模型输出的理想和广泛研究的统计特性，本文通过性质测试的角度启动了校准的算法研究，设计了一种基于近似线性规划的算法，解决校准测试问题，同时开发了对该测试问题容差化的算法，并给出了其他校准距离的样本复杂性下界。
Feb, 2024
本文提出了一种多工作回归模型的校准方法，可用于估计单个或多个参数，当缺失概率被正确指定且假设了多个条件均值工作回归模型时，具有奥拉克尔（Oracle）性质，在缺失数据机制被错误指定时，仍可成为一致估计量，可使用共同的校准权重同时获得所有感兴趣参数的半参数效率界，并且与生物统计学、计量经济学和调查抽样中许多现有的估计方法有联系。
Oct, 2014
本文提出一种基于正交性的正则化框架来估计平均治疗效果，并开发了基于此框架的深度正交网络来学习与治疗分配正交的结果，实验结果表明 DONUT 在估计平均治疗效果方面优于现有技术。
Jan, 2021