Identification of multi-valued treatment effects with unobserved heterogeneity
针对存在未观测异质性的内生多值离散处理，本文借助单调性假设建立连续结果处理效应的可识别条件，给出局部处理效应的闭式表达式及示例。
2023-04-26 econ.EM
Treatment-effect heterogeneity and interactive fixed effects: Can we control for too much?
Sao Paulo School of Economics, FGV（圣保罗经济管理学院，FGV）
本文研究了面板数据中交互固定效应估计器在处理效应异质性下的表现，指出线性因子结构可能导致估计失效，并探讨了多共线性对识别的影响。
2026-04-29 econ.EM
Bounds On Treatment Effects On Transitions
本文考虑了处理效应对条件转移概率的识别。我们表明，即使在随机分配只有瞬时平均处理效应是点识别。由于治疗组和对照组的脱落率不同，随机化仅确保随机化时治疗组和对照组的可比性，因此无法确定长期平均处理效应。相反，我们得出这些平均处理效应的信息范围。我们的边界不施加（半）参数限制，例如，比例风险。我们还探讨了各种假设，如单调的治疗反应，共同的冲击和正相关的结果，收紧界限。
2017-09-26 econ.EM
Testing for Unobserved Heterogeneous Treatment Effects with Observational Data
未观察到的异质处理效应在最近的政策评估文献中得到了强调（参见例如，Heckman和Vytlacil，2005年）。本文提出了一个非参数检验的未观察到的异质性处理效应的处理效应模型与二元治疗分配，允许个人的自我选择的治疗。在标准局部平均处理效应假设下，即，无defiers条件下，我们推导出可检验的模型限制的假设未观察到的异质处理效应。此外，我们表明，如果治疗结果满足单调性假设，这些模型的限制也是足够的。然后，我们提出了一个修改后的Kolmogorov-Smirnov型测试，这是一致的和简单的实现。蒙特卡罗模拟表明，我们的测试表现良好，在有限的样本。为了说明，我们应用我们的测试来研究异质性处理效应的就业培训伙伴关系法的收入和生育对家庭收入的影响，同质处理效应的零假设在第二种情况下被拒绝，但未能被拒绝在第一个应用程序。
2021-08-16 econ.EM
Confidence Intervals of Treatment Effects in Panel Data Models with Interactive Fixed Effects
我们考虑使用交互式固定效应面板模型估计的处理效应的置信区间的构建。我们首先使用Bai和Ng（2021）提出的基于因子的矩阵补全技术来估计处理效应，然后使用bootstrap方法构建每个处理后阶段处理单元的处理效应的置信区间。我们的置信区间的建设既不需要具体的分布假设的误差项，也没有大量的治疗后时期。我们还建立了建议的自助程序的有效性，这些置信区间具有渐近正确的覆盖概率。仿真研究表明，这些置信区间具有令人满意的有限样本性能，使用经典数据集的经验应用产生了相似量级和可靠置信区间的处理效应估计。
2022-02-24 econ.EM
Difference-in-Differences Estimators of Intertemporal Treatment Effects
Sciences Po（巴黎政治学院）；CREST-ENSAE（国家统计与经济管理学院经济研究中心）
本文研究面板数据下的治疗效应估计，提出考虑弱高治疗剂量的事件研究估计量和归一化估计量，分析了传统双向固定效应回归的偏差问题。
2026-05-12 econ.EM
Stratifying on Treatment Status
本文针对按治疗状态分层样本，指出标准治疗效果估计量不一致，提出一致估计量并刻画其渐近分布。
2025-04-25 econ.EM
A Nonparametric Test of Heterogeneous Treatment Effects under Interference
本文针对单元间存在干扰时的异质性处理效应推断问题，提出基于核的非参数检验方法和多重检验算法，用以区分处理分配与预处理变量导致的效应异质性，并证明其渐近性质。
2024-10-01 econ.EM
Inference on Local Average Treatment Effects for Misclassified Treatment
当二进制处理包含测量误差时，我们发展了局部平均处理效应的点识别。标准的工具变量估计是不一致的参数，因为测量误差是非经典的建设。我们通过使用一个外生变量（甚至可以是二元协变量）来确定测量误差的分布来纠正这个问题。从辨识得到的矩条件导出了具有渐近有效推论的广义矩估计估计方法。蒙特卡罗模拟和一个实证说明所提出的程序的实用性。
2018-04-10 econ.EM
Partial Identification and Inference for Conditional Distributions of Treatment Effects
本文研究可观测协变量下处理效应条件分布的识别与推断，利用 Makarov 界限给出其上下界，并针对内生处理提出随机占优假设收紧界限，构建了支撑集上一致有效的非参数估计框架。
2023-11-22 econ.EM
Time-Varying Heterogeneous Treatment Effects in Event Studies
本文提出一种基于短T动态面板模型的半参数两步估计法，解决了事件研究中时变异质性处理效应的估计偏差问题，并渐近实现比率最优。
2025-09-17 econ.EM
On the relationship between prediction intervals, tests of sharp nulls and inference on realized treatment effects in settings with few treated units
该研究探讨少量处理单元场景下基于同质性假设的推断方法在异质性处理效应下对三类替代推断目标的适用性，证明相关推断方法深层关联，为其在随机处理效应下的有效性提供新理论依据。
2025-06-17 econ.EM
Instrument-based estimation of full treatment effects with movers
针对政策评估中常仅能估计子集处理效应的问题，提出用含流动者的工具变量部分识别完整处理局部平均效应，验证相关约束与可检验性，在三项实证中得到有效界。
2023-06-12 econ.EM
Identification of dynamic treatment effects when treatment histories are partially observed
针对治疗历史部分可观测下的路径依赖型治疗效应识别问题，本文提出结合三类模型的稳健双重差分估计量，仅需两类模型设定正确即可识别目标参数，在缺失和模型偏误场景下推断更准确，应用中估计结果与传统方法有实质差异。
2025-06-17 econ.EM
Two-way Fixed Effects and Differences-in-Differences Estimators with Several Treatments
本文分析了含多个处理变量的双向固定效应回归，揭示其系数可能受其他处理效应污染且对异质性不稳健，并提出一种对异质性稳健且不受污染影响的双重差分估计量。
2023-04-17 econ.EM
Estimating Treatment Effects in Mover Designs
研究人员越来越多地利用多种治疗方法的运动来估计因果关系。虽然这些“原动者回归”通常是由线性恒定效应模型驱动的，但在较弱的准实验假设下，它们所捕获的内容尚不清楚。我发现，二进制处理移动回归恢复四个差异的差异比较的凸平均值，因此因果关系的解释下，一个标准的平行趋势假设。然而，如果不对处理效应和随时间变化的冲击的异质性进行更严格的限制，多重处理模型的估计值就不一定是因果关系。我提出了一类两步估计隔离和合并的大集合的差异中的差异准实验产生的原动机设计，确定原动机平均处理效应条件下的协变量平行趋势和效果同质性限制。我在这个类的有效估计的特点，并得出规格测试模型的过度识别的限制。未来的草案将把这一理论应用于Finkelstein等人（2016）的移动设计，分析地理对医疗保健利用的因果影响。
2018-04-18 econ.EM
Marginal Treatment Effects and Monotonicity
本文研究 MTE 分析对单调性假设违背的稳健性，并给出较弱单调性条件，使常用 MTE 估计量仍能识别目标参数。
2024-04-04 econ.EM
Probability of worthwhile effect of monotone-response treatments
University of Waterloo（滑铁卢大学）
研究在处理效应非负（单调处理响应）情况下，通过显式构造依赖方案，解决处理效应超过给定值的最佳和最坏情况概率问题，该问题在不同背景下有等效描述。
2026-07-17 econ.EM
Identification and estimation of treatment effects in a linear factor model with fixed number of time periods
本文提出一种在线性因子模型中识别和估计ATT的新方法，无需处理前时期数趋于无穷，通过非线性变换协变量识别，并给出单受处理单元、多控制单元下的渐近无偏估计。
2025-03-27 econ.EM
Identifying treatment effects on categorical outcomes in IV models
The California Polytechnic State University（加州州立理工大学）
本文在二元处理与工具变量设定下提出分类结果因果推断的非参数框架，通过关联相似性实现点识别，并给出单调关联和有界关联下的部分识别边界，应用于估计私人健康保险对健康结果的影响。
2026-10-07 econ.EM
CATE meets ML -- The Conditional Average Treatment Effect and Machine Learning
对于处理效应--现代计量经济学分析的核心问题之一--预测和估计是一枚硬币的两个方面。事实证明，机器学习方法是广义预测模型的工具。结合计量经济学理论，我们不仅可以估计平均值，还可以估计个性化的治疗效果--条件平均处理效应（CATE）。在本教程中，我们概述了新颖的方法，详细解释了它们，并通过Quantlets将它们应用到实际数据应用程序中。我们研究了小额信贷的可用性对借款金额的影响，以及401（k）养老金计划资格是否对净金融资产产生影响，作为两个实证例子。所提出的方法工具箱包含元学习器，如Doubly-Robust，R-，T-和X-学习器，以及专门设计用于估计CATE的方法，如因果BART和广义随机森林。在小额信贷和401（k）的例子中，我们发现所有观察结果都有积极的处理效应，但处理效应异质性的证据相互矛盾。一个额外的模拟研究，其中真正的处理效应是已知的，使我们能够比较不同的方法，并观察模式和相似性。
2021-04-24 econ.EM
Difference-in-Differences with Geocoded Microdata
本文正式提出了一个共同的方法，估计在特定位置的治疗效果，使用地理编码的微观数据。该估计器将紧邻治疗的单位（内环）与稍远的单位（外环）进行比较。我介绍了直观的假设，需要确定受影响的单位之间的平均处理效应，并说明了陷阱时，这些假设失败。由于这些假设之一，需要了解究竟有多远的处理效应的经验，我提出了一种新的方法，放松这一假设，并允许使用分区为基础的最小二乘法开发的Cattaneo等非参数估计。（2019）.由于处理效应通常随距离衰减/变化，因此该估计器通过估计作为距处理的距离的函数的处理效应曲线来改进分析。这与传统方法相反，传统方法充其量只能确定治疗的平均效果。为了说明这种方法的优点，我表明Linden和Rockoff（2008）低估了犯罪风险增加对最接近治疗的房屋价值的影响，并高估了通过选择太宽的治疗环而产生的影响。
2021-10-19 econ.EM
Heterogeneous Coefficients, Control Variables, and Identification of Multiple Treatment Effects
多维异质性和内隐性是多处理模型的重要特征。我们考虑一个非均质系数模型，其中的结果是一个虚拟的治疗变量的线性组合，每个变量代表一种不同的治疗。我们使用控制变量来给出平均处理效应的充分必要条件。对于互斥处理，我们发现，如果非均质系数与给定对照的处理无关，则一个简单的识别条件是广义倾向得分（Imbens，2000）远离零，并且它们的总和远离1，概率为1。我们的分析延伸到分布和分位数处理效应，以及相应的处理效应的治疗。这些结果推广了Rosenbaum和Rubin（1983）关于二元处理的经典识别结果。
2021-11-22 econ.EM stat.ME
Identification of Treatment Effects under Conditional Partial Independence
治疗分配与潜在结局的条件独立性是一个常用但不可反驳的假设。我们从这个条件独立性假设的非参数偏差下获得各种处理效应参数的识别集。这些偏差通过条件治疗分配概率定义，这使得解释简单明了。我们的研究结果可以用来评估基线条件独立假设下获得的经验结论的稳健性。
2017-07-29 econ.EM stat.ME
Identifying Effects of Multivalued Treatments
多值处理模型通常在限制性假设下进行研究：有序选择，最近无序单调性。我们展示了如何在更一般的一类模型中识别处理效应，该模型允许多维未观察到的异质性。我们的研究结果依赖于两个主要的假设：治疗分配必须是一个可测量的函数的阈值交叉规则，必须有足够的连续仪器。我们说明了我们的方法的几类模型。
2018-04-30 econ.EM stat.ME
A Systematic Paradigm for Detecting, Surfacing, and Characterizing Heterogeneous Treatment Effects (HTE)
为了有效地优化和个性化治疗，有必要研究处理效应的异质性。由于在许多在线对照实验中处理了广泛的用户，手动调查异质性的每个维度的典型方法变得过于繁琐，并且容易产生主观的人为偏见。我们需要一种有效的方法来搜索数以千计的实验，数百个目标协变量和数百个细分维度。在本文中，我们提出了一个系统的范式检测，表面和表征异质性处理效应。首先，在指定任何故障之前，我们检测实验中是否存在处理效应变化。第二，我们揭示了异质性最相关的维度。最后，我们通过研究估计的个体处理效应的条件分布来表征条件平均处理效应（CATE）以外的异质性。我们使用模拟数据和实证研究表明，我们的方法的有效性。
2022-11-03 econ.EM stat.ME
Nonlinear Treatment Effects in Shift-Share Designs
本文在移份额设计中提出控制函数法识别非线性处理效应，定义四个目标参数以刻画异质性并评估反事实政策，应用于中国进口对美国制造业就业的影响，发现常用工具遗漏了显著异质性。
2025-11-09 econ.EM stat.AP
Identification in Endogenous Sequential Treatment Regimes
本文提出一种基于动态工具变量与动态边际处理效应的非参数识别方法，用于内生序贯处理机制下的处理效应识别，放松了支撑集与不可观测收益假设，并通过蒙特卡洛模拟验证了筛分估计量的有限样本性能。
2023-11-30 econ.EM stat.AP
Estimating Marginal Treatment Effects under Unobserved Group Heterogeneity
研究了基于异质性处理规则将个体划分为不可观测组的处理效应模型。使用有限混合的方法，我们提出了一个边际处理效应（MTE）的框架，其中的治疗选择和结果方程可以是异质组。在特定于每个组的工具变量的可用性下，我们表明，每个组的MTE可以单独识别。基于我们的识别结果，我们提出了一个两步半参数估计的MTE组。我们说明了所提出的方法的实用性与应用程序的经济回报，大学教育。
2022-05-23 econ.EM stat.ME
When Do Treatment Changes Identify Causal Effects?
University of Fribourg（弗里堡大学）
本文澄清了基于治疗变化而非治疗水平的因果推断的识别假设，并展示了其与传统识别策略的关系，提出了非嵌套假设下的双重稳健性结果。
2026-06-24 econ.EM stat.ME
Semiparametric Estimation of Treatment Effects in Randomized Experiments
针对在线实验常见的厚尾结果、小处理效应、大样本随机分配场景，提出处理效应半参数估计方法，推导效率界与高效估计量，还扩展了Huber模型和截尾均值以纳入不对称性。
2023-08-22 econ.EM stat.ME
Assessing the Sensitivity of Synthetic Control Treatment Effect Estimates to Misspecification Error
我们提出了一个敏感性分析的合成控制（SC）处理效应估计询问的假设，SC方法是指定的，即选择权重，以尽量减少治疗前的预测误差产生准确的预测，反事实的治疗后的结果。我们的数据驱动的程序恢复的一组处理效应一致的假设，由SC方法所产生的误设定误差是最多的观察到的误设定误差时，使用SC估计预测的结果，一些控制单元。我们表明，在一个定义的误设误差，我们的程序提供了一个简单的，几何动机比较估计的处理效应的安慰剂残差的分布，以评估估计的可信度。当我们将我们的程序应用于几个报告SC估计的典型研究时，我们广泛地证实了源文件得出的结论。
2021-02-21 econ.EM stat.ME
Heterogeneous Treatment Effects for Networks, Panels, and other Outcome Matrices
我们感兴趣的是一个实验的处理效应的分布，其中单位被随机分配到一个治疗，但结果是衡量成对的单位。例如，我们可以衡量参加小额信贷计划的家庭之间的风险分担联系，暴露于贸易冲击的工人和公司之间的雇佣关系，或者投标人对分配给拍卖形式的物品的出价。当分配给相同治疗的单位之间存在社会互动、市场外部性或其他溢出效应时，这种双重随机实验设计可能是合适的。或者它可以描述一个自然的或准实验给研究人员。在本文中，我们提出了一个新的经验策略，比较与每个治疗相关的结果矩阵的特征值。我们的建议是基于一个新的矩阵模拟的Fréchet-Hoeffding界限，发挥了关键作用的标准理论。我们首先使用这个结果来约束处理效应的分布。然后，我们提出了一个新的矩阵模拟的分位数处理效应，这是由不同的特征值。我们称之为模拟光谱处理效应。
2022-10-07 econ.EM stat.ME
Statistical Power for Estimating Treatment Effects Using Difference-in-Differences and Comparative Interrupted Time Series Designs with Variation in Treatment Timing
本文开发了新的封闭形式的方差表达式的权力分析常用的差异中的差异（DID）和比较中断时间序列（CITS）面板数据估计。主要贡献是将治疗时间的变化纳入分析。把握度公式还考虑了实践中出现的其他关键设计特征：自相关误差、不等测量间隔和治疗分配单位引起的聚类。我们考虑横截面和纵向模型的幂公式，并允许协变量。说明性功效分析为适当的样本量提供了指导。关键发现是，考虑到治疗时间增加，需要样本量。此外，DID估计器具有比标准CITS和ITS估计器大得多的功率。可用的Shiny R仪表板为所考虑的估计量执行样本量计算。
2021-10-14 econ.EM stat.ME
Estimating Dyadic Treatment Effects with Unknown Confounders
Waseda University（早稻田大学）；Kyoto University（京都大学）
研究如何在存在未知混杂因素时估计二元治疗效果，基于图子估计文献提出邻域核平滑方法及共形推断方法，应用于国际贸易数据评估自由贸易协定对双边贸易流量的影响。
2026-07-14 econ.EM stat.ME stat.ML
Assessing Heterogeneity of Treatment Effects
本文利用边际分布推导异质性处理效应的非参数严格界限，并在平均效应不显著或理论预测相悖时，通过微观金融和福利改革案例展示其实用性。
2025-08-06 econ.EM stat.AP stat.ME
Evaluating (weighted) dynamic treatment effects by double machine learning
我们考虑基于双重机器学习评估动态治疗的因果效应，即不同时期的多个治疗序列，以在选择可观察假设下以数据驱动的方式控制观察到的时变协变量。为此，我们利用所谓的奈曼正交评分函数，这意味着稳健性的处理效应估计适度（局部）误指定的动态结果和治疗模型。这种鲁棒性允许通过双重机器学习甚至在高维协变量下近似结果和治疗模型，并与数据分割相结合以防止过度拟合。除了总人群的效应估计外，我们还考虑了加权估计，该估计允许评估特定亚组中的动态处理效应，例如，在第一个治疗阶段接受治疗的患者中。我们证明了估计是渐近正态和$\sqrt{n}$一致的特定的正则性条件下，并调查其有限样本性质的模拟研究。最后，我们将这些方法应用到工作团的研究中，以评估一个大的协变量集下的不同序列的培训计划。
2021-06-19 econ.EM stat.ME stat.ML
Heterogeneous Treatment Effects in Panel Data
Sloan School of Management（斯隆管理学院）；Massachusetts Institute of Technology（麻省理工学院）；Harvard Business School（哈佛商学院）
本文提出一种结合回归树聚类与面板数据低秩结构的新方法，用于估计异质性处理效应，理论证明其收敛性，并在半合成数据上验证了其优于替代方法的精度与可解释性。
2024-06-09 cs.LG econ.EM stat.ML
Regression Adjustment for Estimating Distributional Treatment Effects in Randomized Controlled Trials
本文提出一种结合分布回归与预处理信息的回归调整方法，在无强分布假设下提升随机实验中分布性处理效应估计效率，仿真与实际应用验证其精度更优，可识别传统方法遗漏的效应。
2025-01-14 econ.EM math.ST stat.ME
Interpreting OLS Estimands When Treatment Effects Are Heterogeneous: Smaller Groups Get Larger Weights
应用工作通常使用具有加性效应的线性模型来研究二元变量（“治疗”）的效应。我研究的解释OLS估计在这样的模型时，处理效应是异质的。我表明，处理系数是一个凸组合的两个参数，在一定条件下，可以解释为平均处理效应的处理和未处理。这些参数的权重与每组中观察值的比例成反比。依赖这些隐式权重可能会对应用工作产生严重后果，我用两个著名的应用程序来说明。我开发简单的诊断工具，实证研究人员可以使用，以避免潜在的偏见。用于实现这些方法的软件在R和Stata中可用。在一个重要的特殊情况下，我的诊断只需要知道治疗单位的比例。
2020-05-19 econ.EM stat.AP stat.ME
Estimating Distributional Treatment Effects in Randomized Experiments: Machine Learning for Variance Reduction
我们提出一种利用机器学习进行回归调整的方法，以估计随机实验中的分布处理效应，通过纳入预处理协变量来降低估计器方差，并提供了渐近性质和一致推断方法，模拟与实证均验证其有效性。
2024-07-22 econ.EM math.ST stat.ML
Educational Effects in Mathematics: Conditional Average Treatment Effect depending on the Number of Treatments
Kogakuin University（工学院大学）；Waseda University（早稻田大学）；Osaka Institute of Technology（大阪工业大学）；Osaka Sangyo University（大阪产业大学）；International University of Health and Welfare（国际医疗福祉大学）
本研究应用因果推断和扩展的T-learner方法，评估工学院大学学术支持中心面对面辅导的条件平均处理效应，并提出了依赖于处理次数的CATE函数以预测其效果。
2024-11-03 cs.LG econ.EM stat.ME
Sharp Bounds for the Marginal Treatment Effect with Sample Selection
我分析了处理效应的情况下，代理内源性选择到治疗组和观察样本。作为一个理论贡献，我提出了逐点锐界的边际处理效应（MTE）的利益在单调性假设下始终观察到的亚群。此外，我强加了一个额外的平均优势假设，以收紧以前的界限。我进一步讨论如何确定这些界限时，支持的倾向得分是连续的或离散的。使用这些结果，我估计边界的就业军团培训计划的时薪为始终就业的亚群，并发现它是在非西班牙裔组内参加该计划的可能性下降。例如，治疗组的平均处理效应介于\$.33和\$.99之间，而未治疗组的平均处理效应介于\$.71和\$3.00之间。
2019-04-17 econ.EM econ.GN q-fin.EC
Approximate Residual Balancing: De-Biased Inference of Average Treatment Effects in High Dimensions
在许多情况下，研究人员对估计平均处理效应感兴趣，并愿意依赖于无混淆假设，这要求处理分配与处理前变量的随机条件一样好。如果分析中包含大量治疗前变量，则无混淆假设通常更合理，但这可能会恶化标准方法估计处理效应的性能。在本文中，我们开发了一种方法去偏惩罚回归调整，允许稀疏回归方法，如套索被用于sqrt{n}-一致的推断平均处理效应在高维线性模型。鉴于线性，我们不需要假设治疗倾向是可估计的，或者平均处理效应是结果模型参数的稀疏对比。相反，除了用于使结果模型上的套索回归在1-范数误差下一致的标准假设之外，我们只需要重叠，即，倾向得分均匀地远离0和1。在程序上，我们的方法结合了平衡权重与正则化回归调整。
2018-01-31 econ.EM math.ST stat.ME
Sparsity Double Robust Inference of Average Treatment Effects
许多流行的方法用于在高维混杂下建立因果效应的置信区间，需要强的“超稀疏”假设，这可能难以在实践中验证。为了减轻这一困难，我们在这里研究一种新的方法，平均治疗效果估计，产生渐近精确的置信区间，假设条件响应面或治疗的条件概率允许超稀疏表示（但不一定两者）。这种保证使我们能够在比现有基线更普遍的情况下，为高维的平均治疗效果提供有效的推断。此外，我们展示了我们的结果是半参数有效的。
2019-05-02 econ.EM math.ST stat.ME
Dynamic covariate balancing: estimating treatment effects over time with potential local projections
Harvard University（哈佛大学）；Cornell University（康奈尔大学）
本文提出动态协变量平衡方法，用于估计随时间变化的处理效应，通过递归投影潜在结果并平衡可观察特征以减少偏倚。
2026-02-22 econ.EM math.ST stat.ME
Sample Constrained Treatment Effect Estimation
Adobe Research（Adobe研究院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
治疗效果估计是因果推理中的一个基本问题。我们专注于设计有效的随机对照试验，以准确估计某些治疗对$n$个体人群的影响。特别是，我们研究样本约束的治疗效果估计，我们必须选择一个子集的$s \ll n$个人从人口进行实验。这个子集必须进一步划分为治疗组和对照组。将整个群体划分为治疗组和对照组或选择单个代表性子集的算法已经得到了充分的研究。在我们的设置中的关键挑战是联合选择一个代表性的子集和该集合的分区。我们专注于个人和平均治疗效果估计，在线性效应模型。我们给出了可证明有效的实验设计和相应的估计，通过识别连接到差异最小化和基于分数的随机数值线性代数抽样。当$s$等于种群大小时，我们的理论结果得到了到已知保证的平滑过渡。我们还实证证明了我们的算法的性能。
2022-10-12 cs.AI cs.DS cs.LG
