- ResearchAgent：基于大型语言模型的科学文献上迭代研究创意生成
提出了一种基于大型语言模型的研究思路写作代理 ——ResearchAgent，它在科学文献的基础上自动生成问题、方法和实验设计，并通过连接学术图谱中的信息和从基于实体为中心的知识库中提取的实体进行逐步改进。此外，通过与多个 Reviewin - 计算实验中用于准确插值和外推的数据自适应量纲分析
维度分析是一种通过建立以新的无量纲量为基础的模型，从而提高科学建模和实验设计中预测精度的方法。它可通过比较原始变量而不受实验数据训练范围选择的影响，从而在训练数据范围之外的推断中实现持续的精确度提升。
- DiscoBAX: 基因组实验设计中最佳干预集的发现
减少临床试验失败风险的实验设计方法，通过发现与遗传驱动的病理有关的基因，最大限度地改变目标表型，并且在基因组实验中探索多样性机制，从而优于现有的实验设计方法。
- 非参数离散选择实验与机器学习引导的自适应设计
通过渐变调查（GBS）实验设计多属性产品以满足消费者偏好，GBS 基于用户之前的选择，无需参数化效用模型，可以应用于具有数百个属性的产品并设计面向异质消费者的个性化产品，模拟结果表明 GBS 在准确性和样本效率方面优于现有的参数化和非参数化 - 指向用户模型的摊销实验设计与参数估计
通过与模型空间中的仿真参与者进行交互并使用合成数据而非大量人类数据，我们的解决方案学习哪些实验能够为参数估计提供最有用的数据，从而减少了实验设计的计算成本。我们的研究针对指向的三个逐渐复杂的模型进行了示范。
- 面板数据自适应主成分回归
本文提供了一种基于主成分回归 (PCR) 的在线方法以及关于在线之下的样本保证方法和应用于面板数据设置中的实验设计框架，是一种思想的扩展。
- 个性化系统中用户学习的因果估计
本研究提出了一种非参数因果模型来研究个性化系统中的用户行为，并介绍了新的实验设计，可以通过干预系统个性化来区分用户学习效应和个性化效果。模拟结果表明，所提出的新设计可以成功恢复感兴趣的动态因果效应。
- 树形 Parzen 估计器：理解算法组件及其作用，以提高实证表现
该研究提出使用树形 Parzen 估计器进行贝叶斯优化的超参数优化，对各种控制参数进行评估，推荐的设置可提高优化性能，并可从所提出的教程中获得更多信息。
- 使用联合特征选择和任务优化的实验设计范式
使用 JOint 特征选择和任务优化算法，本文提出了一种子采样任务范式来解决数据驱动的任务特定实验设计和种群范围内的监督特征选择问题，并在定量 MRI 和高光谱成像等临床相关应用中证明了其优越性。
- 循环和非循环因果模型的统一试验设计方法
本文提出了一种实验设计方法，可以学习含有循环或非循环的因果图，并且在保证最差情况下的唯一识别因果图所需实验数量最少。
- Transformer 是否知道符号规则，我们是否能知晓？
本文提出了两个标准评估 transformer 网络在 NLP 中的 symbolic capacities，并指出当前关于其 symbolic 特性的研究结果基于实验设计的固有缺陷，进而在 T5 Transformer 上进行了四项序列建 - OEDIPUS: 稀疏约束 MRI 的实验设计框架
本研究提出了一种基于 OEDIPUS（基于 Oracle 的稀疏约束成像实验设计）的估计理论框架，用于在稀疏约束下进行 MR 图像重建的实验设计，并将受到限制的 Cramér-Rao 界限与传统的实验设计技术相结合。通过回顾性样本子采样的体 - 差分隐私多臂赌博机算法
本研究提出的隐私保护算法在解决随机多臂赌博机问题时，相比之前的成果取得了较大的进展。算法可以保证最优遗憾率 O (Ɛ−1+logT), 通过实验证实了理论界和实践界之间的一致性。
- MM激励高质量众包工作
本研究探讨了财务激励对众包工作质量的因果影响，通过在 Amazon Mechanical Turk 上进行随机行为实验，旨在理解使用基于绩效的支付（PBPs）何时，何地和为何有帮助，识别使其最有效的支付和任务结构的属性，并提供 PBPs 改