- 基于配对比较的近似排名
研究在机器学习中，基于两两比较对一组 n 个项目进行排名的问题，提出了一种基于置信区间的活跃排名算法，通过近似排序来减少比较次数。
- 适应线性模型的准确推理
提出了一种 W - 去相关方法用于消除自适应线性回归估计量的偏差，并基于全新的鞅集中极限定理建立了渐近正确的置信区间。该方法旨在应用于多臂赌博机和自回归时间序列等不同自适应数据设置中，并取得了实证上的收益。
- 基于分位数自助法的反向概率加权估计灵敏度分析
本文提出了一种边际灵敏度模型，使用逆概率权重估计器构建置信区间，通过百分位自助法和广义极小 / 极大不等式来将这个难以处理的问题转化为线性分数规划问题，这个方法可以很有效地解决实际问题。
- 有限样本的差分隐私置信区间
本文研究在差分隐私的限制下，对正态总体均值进行有限样本置信区间的估计问题。我们考虑知道和未知方差情况，并构建了具有差分隐私的算法来估计置信区间，与大多数以前的算法不同的是，我们不要求样本的定义域是有界的。此外，本文还证明了差分隐私置信集的预 - 通过近似传递消息估计低秩矩阵
本文介绍了使用 Approximate Message Passing（AMP）算法结合谱初始化来实现 Bayes-optimal 精度的方法，特别关注了如何应用于低秩矩阵估计问题中，同时讨论了其应用于稀疏低秩矩阵和高斯块模型中的实验结果。
- NIPS最佳臂识别的蒙特卡罗树搜索
通过总结深层树结构的置信区间并在根节点应用最佳选择算法，我们开发了一种新的算法来解决游戏树搜索问题，并证明了样本复杂度保证具有对问题实例的精细依赖性。实验证明，与现有的基于排除算法和深度为 2 的树的专用方法相比，我们的算法具有更好的表现。
- 鲁棒优化的统计学：一种广义经验似然方法
本文研究了基于经验似然和分布鲁棒解的方法进行随机优化问题的统计推断，特别关注最优值的置信区间和渐近达到精确覆盖的解决方案。我们提出了一个基于非参数 $f$- 分歧球构建的分布不确定性集合的广义经验似然框架，用于 Hadamard 可微函数和 - 来自配对比较的主动排序及其在参数假设无法提供帮助时的应用
文中提出了一种基于序列或主动排名的算法，该算法基于嘈杂的成对比较将一组 n 个项目排名并将这些项根据其得分分成预先指定大小的集合；本文针对这种算法进行了分析，证明了在某些情况下具有最优性并且不需要任何假设，比如在参数模型下进行的排名。
- 基于经验似然方法的样本平均逼近不确定性度量
探讨使用经验似然方法来计算期望值目标和约束下最优解以及最优性差距的置信区间，从而量化样本平均近似的统计不确定性，并针对具有期望值目标和约束的优化问题提出了两个鲁棒优化问题，其基于不确定分布，具有适当校准的基于差异的不确定性集，以提供渐近统计 - 高斯图模型的差异性检验及其应用：大脑连接研究
该研究通过使用稀疏估计的参数来计算信赖区间，建立了基于大脑功能的参数分布，提出一种去偏的多任务融合 Lasso 方法。该方法可用于比较变化的功能脑网络边缘，并在自闭症研究方面进行了验证。
- 高维线性回归的置信区间：极小极大速率和适应性
本研究主要考虑了随机设计下高维线性回归的置信区间问题，并探讨了置信区间的自适应性与稀疏性的关系以及最小二乘法下最小极大期望长度方法的应用。
- 使用不变预测进行因果推断：识别和置信区间
利用因果模型在干预下的预测不变性，我们提出一种方法来推断因果效应并构建高概率的因果模型集合。这个方法可以在各种不同实验设置下得出有效的置信区间，并研究了其鲁棒性和推广性。
- 评估人群的可靠性
本文介绍了一种用于生成工人错误率估计的置信区间的技术，以更好地评估工人质量。实验结果表明该技术在真实数据集中能生成正确的置信区间，并可用于清退表现不佳的工人，并为答案的准确性提供置信区间。
- 论折叠正态分布
推导了折叠正态分布的特征函数及其矩函数，利用泰勒级数近似计算了折叠正态分布的熵和与正态分布、半正态分布之间的 Kullback-Leibler 距离，通过渐进理论和 bootstrap 方法得到了参数的最大似然估计和置信区间，并检验了置信区 - 精确的后选择推断，以套索为例应用
我们提出了一种通用的模型选择后有效推断方法，通过一个结果对选择事件条件下的后选估计分布进行刻画，并将其专门应用于基于套索算法的模型选择中，形成了有效的系数置信区间，并测试了是否已将所有相关变量包含在模型中。
- MM高维回归假设检验的几乎最优样本大小
针对高维线性回归模型的参数拟合问题，考虑基于 Lasso 惩罚的最小二乘估计器的置信区间和 p 值的构造及去偏的版本，进一步在随机设计模型的情形下进行研究，并提出了更优的平均检测功率的分析结果。
- 高维回归的置信区间和假设检验
该文提出了一个新颖的算法，用于构建自然参数的置信区间和 p 值，并使用高维线性回归问题和一个高通量基因组数据集进行测试。
- 超高维回归的广义基准推断
研究在稀疏假设下，用广义基准法进行不确定性量化的超高维线性回归问题，提出了概率密度函数构建方法，参数置信区间计算方法，验证了其严格的渐进频率性质，并通过仿真实验和实际数据的应用进行了实证表现，同时是将费舍尔基准方法应用于 “大 p 小 n” - 关于高维模型渐近最优置信区间和检验
该论文提出了一种用于高维模型中单个或低维组件的置信区间和统计检验的一般方法，可轻松调整用于考虑测试之间的依赖关系。该方法还自然地扩展到具有凸损失函数的广义线性模型。
- 高维线性模型低维参数的置信区间
本文提出了一种针对高维数据中低维度参数的统计推断方法，重点在于构建线性回归模型中单个系数和多个系数的线性组合的置信区间，提出的估计器在趋于无穷时渐近正态，其有限维协方差矩阵的一致估计器满足充分条件，模拟结果证明了置信区间的覆盖概率准确性，强