Estimation of Linear Functionals in Multilayer Panels under Staggered Adoption
University of Warwick（华威大学）；ESSEC Business School（法国高等经济商业学院）
研究从含噪声、部分观测的张量数据估计双线性形式，信号遵循Tucker2模型。针对交错采用设计的缺失模式，提出谱算法，证明非渐近均方误差界并扩展到一般设计，最后经实验验证理论发现。
2026-09-10 math.ST stat.ME stat.TH
Synthetic Controls with Staggered Adoption
不同单位在不同时间交错采用政策，为观察因果推断创造了有希望的机会。然而，估计仍然具有挑战性，常见的回归方法可能会产生误导性的结果。一个有前途的替代方法是综合控制方法（SCM），它找到了一个加权平均的控制单元，密切平衡处理单元的预处理结果。在本文中，我们推广SCM，最初设计研究一个单一的处理单元，交错采用设置。我们首先限制了平均效应的误差，并表明它取决于每个处理单元的不平衡和处理单元平均值的不平衡。然后，我们提出了“部分汇集”SCM的权重，以尽量减少这些措施的加权组合，方法只侧重于平衡两个组件之一，可能会导致偏见。我们扩展这种方法，将单位级截距的变化和辅助协变量。我们通过广泛的模拟评估所提出的方法的性能，并将我们的结果应用于教师集体谈判是否会导致更高的学校支出的问题，发现影响最小。我们在augsynth R包中实现了所提出的方法。
2021-01-15 econ.EM stat.ME
Design-based Analysis in Difference-In-Differences Settings with Staggered Adoption
Stanford University（斯坦福大学）
本文研究了面板数据下平均处理效应的估计和推断。我们专注于单位的设置，例如，个人、公司或国家在某一特定时间点采取有关利益的政策或待遇，然后在此后的任何时候都暴露于这种待遇之下。我们采取设计的角度来看，我们调查的属性估计和程序的假设分配过程。我们证明了在随机分配的采用日期的标准双重差分法估计是一个无偏估计的一个特定的加权平均因果效应。我们刻画了这个估计量的性质，并证明了标准方差估计量是保守的。
2018-09-01 cs.LG econ.EM math.ST
Decomposing Triple-Differences Regression under Staggered Adoption
本文将交错采用情境下的三重差分回归估计量分解为多个 2x2x2 三重差分，揭示其因果解释需依赖强效应同质性假设，并提出仅使用干净安慰剂的直接插补方法作为更合适的替代方案。
2023-07-09 stat.ME
Risk-Set Transported Synthetic Control with Difference-in-Differences Adjustment under Staggered Treatment Adoption
University of Calgary（卡尔加里大学）
针对交错处理下供体集收缩问题，提出RT-SC-DiD方法，通过向转移参考收缩权重并加双重差分校正，降低反事实估计误差，实验验证其有效性。
2026-09-18 cs.AI econ.EM q-fin.ST
Fused Extended Two-Way Fixed Effects for Difference-in-Differences With Staggered Adoptions
提出机器学习估计量 FETWFE，通过单一调节参数自动选择参数限制，解决交错采用下双重差分的偏差与效率问题，并证明其一致性与渐近正态性。
2025-04-07 econ.EM math.ST stat.ME
Understanding Difference-in-differences methods to evaluate policy effects with staggered adoption: an application to Medicaid and HIV
本文系统梳理了适用于多年交错政策采用情境的双重差分方法最新扩展及其与线性模型的关系，并以美国医疗补助扩展对HIV感染者护理保留的影响为例，阐明识别与估计受处理者平均处理效应所需的假设，为公共卫生研究中的方法选择提供指导。
2024-02-19 stat.ME
Doubly Robust Estimation of Treatment Effects in Staggered Difference-in-Differences with Time-Varying Covariates
Fred Hutchinson Cancer Center（弗雷德·哈钦逊癌症中心）；Shanghai University of Finance and Economics（上海财经大学）
本文提出双重鲁棒估计器，用于估计 staggered 差异-in-差异中时间变化协变量的处理效应，通过非参数方法解决负权重问题，并通过模拟和实证研究验证其有效性。
2026-10-01 econ.EM stat.ME
Bayesian Estimation of Cohort-Time-Stratum Specific Effects in Staggered Difference-in-Differences
本文提出了一种概率框架，用于估计在队列、时期和基线协变量定义的组别中变化的高维ATT数组，通过统一的似然模型联合估计子组特定的治疗效应，从而在稀疏的队列-时间-组别设置中稳定推断。
2026-05-21 econ.EM stat.ME
A Fixed-Effects Causal Forest for Staggered Adoption, with an Application to Medicaid Expansion
Amazon Web Services（亚马逊云服务）
研究交错采用的协变量条件平均治疗效果估计问题，提出用固定效应因果森林估计，在每个树节点内差分单位和时期效应消除混杂，蒙特卡罗实验验证其有效性，应用于医疗补助扩展取得未参保率下降等成果。
2026-07-28 econ.EM stat.ML
Staggered Rollout Designs Enable Causal Inference Under Interference Without Network Knowledge
随机化实验被广泛用于估计各种领域的因果效应。然而，经典的因果推断方法依赖于关键的独立性假设，当一个个体的治疗影响其他个体的结果时，网络干扰会违反这些假设。所有现有的方法都需要至少近似的网络知识，这可能是不可用的和昂贵的collect.We认为估计总处理效应（TTE）的任务，或平均差异的结果时，整个人口进行治疗与当整个人口未治疗。通过利用交错推出设计，其中治疗是递增地给予随机子集的个人，我们得到无偏估计量TTE不依赖于任何先验结构知识的网络，只要网络干扰的影响被约束到低程度的个人邻居之间的相互作用。我们推导出的估计量的方差上的界限，我们在实验中表明，我们的估计对模拟数据的基线表现良好。我们的理论贡献的核心是交错推出的意见和多项式外推之间的连接。
2022-10-14 cs.SI stat.ME
Efficient Estimation for Staggered Rollout Designs
研究交错推广设计中的因果效应估计，推导出包含多种广义双重差分方法的最有效估计量，其可行插件版本渐近无偏且效率优于现有方法，并提供t检验和置换检验推断方法，实际应用中置信区间显著缩短。
2023-05-16 econ.EM math.ST stat.TH
Design-Based Anytime-Valid Inference for Randomized Experiments with Delayed Outcomes and Staggered Entry
Netflix（网飞）；Cornell University（康奈尔大学）
针对在线实验中结果延迟和交错进入的问题，采用基于设计的视角，通过构造臂特定事件时间滤子下的鞅，结合联合界构建处理效应的置信序列，实现连续监测。
2026-05-29 math.ST stat.ME stat.TH
Optimal Experimental Design for Staggered Rollouts
本文研究多期交错处理实验的最优起始时间设计，给出非自适应 NP-hard 问题的近似最优方案，并提出 PGAE 自适应算法以支持有效推断，机会成本较静态基准降低逾50%。
2023-09-26 econ.EM stat.ME stat.ML
Model-assisted inference for dynamic causal effects in staggered rollout cluster randomized experiments
Mississippi State University（密西西比州立大学）；Yale School of Public Health（耶鲁公共卫生学院）
本文提出了一种基于模型辅助方法的回归估计器，用于处理分阶段 rollout 集群随机实验中的动态因果效应，并证明了其在效率上的优势。
2026-01-29 stat.ME
Balanced Twins: Causal Inference on Time Series with Hidden Confounding
Aix Marseille University（艾克斯-马赛大学）；EDF R&D（法国电力集团研发中心）
提出神经框架同时学习个体时间序列的低维潜在表示和倾向得分，通过灵活匹配恢复反事实，估计处理组的平均处理效应，适用于交错干预和隐藏混杂场景。
2026-06-23 cs.MS stat.ME stat.ML
Time-Varying Causal Survival Learning
本研究填补交错采纳设计与生存分析的空白，结合双重机器学习方法估计时变处理的因果效应，有效减少偏差并提升效率。
2025-03-02 stat.ME
Power Analysis for Stepped Wedge Trials with Two Treatments
阶梯式楔形设计（SWD）是用于分组随机试验的设计，其特征是交错、单向交叉，通常从对照到治疗条件。关于SWD统计功效的现有文献主要关注单次治疗的设计。然而，目前正在提议和实施具有多种治疗的社会福利机构。我们提出了一个线性混合模型的SWD与两个治疗，有和没有它们之间的相互作用。我们推导出封闭形式的解决方案，这些模型的处理效应系数的标准误，以及功率计算方法。我们考虑重复的横断面设计以及开放和封闭队列设计和不同的随机效应结构。检查设计特征，以确定其对主要治疗和相互作用效应把握度的影响。
2020-10-05 stat.ME
Causal inference with staggered entries and effects that change over calendar time
Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）
该研究针对交错入组且效应随日历时间变化的因果推断问题，探讨了其对因果生存分析常用方法的影响，给出有效识别条件并引入敏感性分析，通过两个案例验证了方法的实用性。
2026-09-01 stat.ME
Distributional Difference-in-Differences: Aggregation Before or After Quantile Inversion?
University at Albany - State University of New York（纽约州立大学奥尔巴尼分校）
研究交错分布双重差分中分位数处理效应的两种聚合方式，证明聚合顺序影响估计目标与符号，需在反转前确定。
2026-09-24 econ.EM stat.AP stat.ME
Uncertainty Quantification in Synthetic Controls with Staggered Treatment Adoption
本文提出了一种针对交错处理采用设置下合成控制预测的置信度量化方法，通过提供非渐近覆盖概率保证、支持非线性约束、引入稳健锥优化及数据驱动调参，实现了跨处理后时期的有效一致推断。
2025-02-01 econ.EM stat.AP stat.CO
Estimating Treatment Effects Under Bounded Heterogeneity
Brown University（布朗大学）；University College London（伦敦大学学院）；CEMFI
本文提出regulaTE估计器，在治疗效应异质性有界条件下生成考虑异质性的置信区间，通过调整界使敏感性分析适用于非恒定效应的实证应用。
2026-08-27 econ.EM stat.ME
An Effective Treatment Approach to Difference-in-Differences with General Treatment Patterns
本文针对一般处理模式下非二元且时变的差分中差分模型，提出以有效处理概念将处理路径降维，并构建双重稳健的识别、估计与推断方法，同时提供配套R软件包。
2023-05-29 econ.EM stat.ME
Dual-Channel Technology Diffusion: Spatial Decay and Network Contagion in Supply Chain Networks
Faculty of Economics, The University of Tokyo（东京大学经济学部）
本文构建融合空间衰减与网络传染的技术扩散双通道框架，基于500家企业6项技术数据发现技术扩散的空间边界、网络连通性规律，指出传统方法的偏差，并为技术政策提供微观基础。
2025-10-25 econ.EM econ.TH stat.AP
On Anticipation Effect in Stepped Wedge Cluster Randomized Trials
Yale University（耶鲁大学）；Mississippi State University（密西西比州立大学）；Hospital of the University of Pennsylvania（宾夕法尼亚大学医院）；Perelman School of Medicine at the University of Pennsylvania（宾夕法尼亚大学佩雷尔曼医学院）；Ottawa Hospital Research Institute（渥太华医院研究所）；University of Ottawa（渥太华大学）
针对阶梯楔形整群随机试验（SW-CRTs）中可能存在的预期效应问题，提出分析框架研究其影响，推导估计量期望证明忽略该效应会导致有偏估计，提供更新样本量公式并通过模拟和实证比较调整与未调整的估计量，为研究提供实际指导。
2025-11-14 stat.ME
Doubly Robust Uniform Confidence Bands for Group-Time Conditional Average Treatment Effects in Difference-in-Differences
本文在交错双重差分设定下，提出基于局部多项式回归的三步估计与双重稳健推断方法，为连续协变量下的组-时期条件平均处理效应函数构建统一置信带，并提供了R包didhetero便于实现。
2025-07-15 econ.EM stat.ME
Dynamic Local Average Treatment Effects
Stanford University（斯坦福大学）
本文针对数字推荐和自适应医学试验中存在的单边不依从性问题，提出动态局部平均处理效应的非参数识别、估计与推断方法，并将其从单时间步处理扩展到交错采纳及多时间段处理场景。
2025-05-04 cs.LG econ.EM stat.ME
Emulating Stepped-Wedge Cluster Randomized Trials to Evaluate Health Policies and Interventions
Yale School of Medicine（耶鲁医学院）；Yale School of Public Health（耶鲁公共卫生学院）
本文提出通过目标试验模拟框架模拟阶梯集群随机试验，以解决观察性研究中阶梯采用方法分析的挑战，强调政策异质性和时间变效应，并促进随机试验与准实验设计的跨学科交流。
2026-04-14 econ.EM stat.ME
Interpreting Event-Studies from Recent Difference-in-Differences Methods
Brown University（布朗大学）
本文探讨了近期差分-in-差分方法生成的事件研究图与传统TWFE方法的差异，并提出解释和应用建议。
2026-01-16 econ.EM stat.ME
Bridging Structural Causal Inference and Machine Learning The S-DIDML Estimator for Heterogeneous Treatment Effects
本文提出 S-DIDML 估计量，通过将 DID 逻辑嵌入 DML 架构，结合时间识别与正交化估计，在保持可解释性和可扩展性的同时稳健估计异质性处理效应，为复杂数据下的结构因果推断提供了新框架。
2025-07-13 stat.ME
Regression Not-to-the-Mean: An Oddity of Regression, Illustrated with the Risk of Overdose Deaths
Department of Mathematics and Statistics, Boston University（波士顿大学数学与统计系）；Division of Infectious Diseases and Global Public Health, University of California San Diego（加州大学圣地亚哥分校传染病与全球公共卫生部）
该研究指出纵向场景中应用常数处理效应模型存在负权重问题，以DIH起诉对美国药物过量死亡的影响为例，线性和逻辑回归模型均出现该问题，提示需谨慎使用此类模型。
2026-08-18 stat.AP
A Unified Framework for Spatial and Temporal Treatment Effect Boundaries: Theory and Identification
Faculty of Economics, The University of Tokyo（东京大学经济学部）
本文提出统一理论框架，基于反应-扩散模型检测空间与时间处理效应边界，推导可检验预测，并通过蒙特卡洛模拟和宽带、野火实证验证，提供政策干预阈值识别工具。
2025-10-11 econ.EM econ.GN q-fin.EC
Difference-in-Differences with Multiple Time Periods
在这篇文章中，我们考虑使用双重差分法（DiD）的处理效应参数的识别，估计和推断程序（i）多个时间段，（ii）治疗时间的变化，以及（iii）当“平行趋势假设“可能仅在对观察到的协变量进行调节后才成立。我们发现，一个家庭的因果效应参数被确定在交错的DiD设置，即使观察到的特征的差异创建组之间的非平行的结果动态。我们的识别结果允许一个使用结果回归，逆概率加权，或双鲁棒被估量。我们还提出了不同的汇总方案，可用于突出不同维度的处理效应异质性，以及总结参与治疗的总体效果。我们建立的估计量的渐近性质，并证明了有效的计算方便的引导程序进行渐近有效的同时（而不是逐点）的推断。最后，我们通过分析2001- 2007年最低工资对青少年就业的影响来说明我们提出的工具的相关性。开源软件可用于实现所提出的方法。
2020-12-01 econ.EM math.ST stat.AP
Learning the Effect of Persuasion via Difference-In-Differences
Pennsylvania State University（宾夕法尼亚州立大学）；Columbia University（哥伦比亚大学）
该研究提出双重差分框架，引入向前、向后平均说服率，结合GMM等方法，验证了其在分阶段课程改革中的实用性。
2026-08-31 econ.EM stat.ME
Consistency of an Intercept-Shifted Synthetic-Control Estimator under Weighted Parallel Trends
本文提出截距平移合成控制估计量，在加权平行趋势和温和正则条件下证明其一致性，允许重尾冲击，并扩展了有效数据生成过程池。
2025-08-07 math.ST stat.ME stat.TH
Testing for equivalence of pre-trends in Difference-in-Differences estimation
Ruhr University Bochum（波鸿鲁尔大学）；Maastricht University（马斯特里赫特大学）
本文提出双重差分估计中预趋势等价性检验，帮助研究者验证平行趋势假设，提升处理效应估计的可信度。
2025-12-17 econ.EM math.ST stat.TH
Identification and Estimation of Treatment Effects from Network Data with Confounded Social Links
University of Michigan（密歇根大学）
该研究针对存在混淆社会链接的网络数据，提出广义倾向得分结合增广逆概率加权估计量的方法，识别并估计处理效应，将其应用于乌干达政治传播技术对政治参与的影响研究。
2026-10-14 stat.ME
Forests for Differences: Robust Causal Inference Beyond Parametric DiD
Institute of Mathematics and Computer Sciences at University of São Paulo, Brazil（巴西圣保罗大学数学与计算机科学学院）
本文提出非参数DiD-BCF模型，通过基于PTA的重新参数化统一估计ATE、GATE和CATE，并在模拟及美国最低工资政策应用中展现出处理非线性、选择偏差与效应异质性的优势。
2025-06-09 cs.LG stat.ME stat.ML
Difference-in-Differences for Health Policy and Practice: A Review of Modern Methods
本文综述了健康政策研究中双重差分法的现代进展，重点讨论平行趋势假设的检验与放宽、交错处理时间的估计方法以及稳健推断，旨在帮助研究者避免传统 DiD 的常见陷阱并正确应用新方法。
2024-08-08 econ.EM stat.AP
Difference-in-Differences Designs: A Practitioner's Guide
本文针对经典双重差分（DiD）设计之外实证实践随意的问题，提出组织框架梳理各类DiD设计与估计量，涵盖协变量、权重等内容，且可推广至DiD方法的其他扩展。
2025-06-17 econ.EM stat.ME
State-Building through Public Land Disposal? An Application of Matrix Completion for Counterfactual Prediction
本文应用倾向性加权矩阵补全模型，估计宅地政策对美国边疆州的反事实影响，发现其显著降低州政府收支，并通过模拟和实证验证了方法的优越性。
2023-12-23 econ.EM econ.GN q-fin.EC
Inference for Batched Adaptive Experiments
University of Mannheim, ZEW（曼海姆大学，泽尔维经济研究所）；University of Mannheim, IZA, GLO, NeSt（曼海姆大学，国际应用经济研究所、全球劳动力办公室、网络研究组）
本文提出了一种用于自适应实验中处理效应推断的BOLS检验统计量，通过归一化异方差性下的z统计量构建渐近有效的置信区间，并通过模拟验证其在不同实验设置下的有效性。
2026-11-03 cs.LG econ.EM stat.ME
Regression adjustments for estimating the global treatment effect in experiments with interference
在存在干扰的情况下，全局平均处理效应的标准估计值可能存在偏倚。本文提出了回归调整估计量，用于消除Bernoulli随机试验中的干扰偏倚。我们使用一个拟合模型来预测全球控制和全球治疗的反事实结果。我们的工作不同于标准回归调整，因为调整变量是从治疗分配向量的函数构建的，并且我们允许研究人员使用与响应相关的任何函数的集合，将检测干扰的问题转化为特征工程问题。我们在线性模型设置拟议的估计分布的特点，并连接到SUTVA下的回归调整的标准理论的结果。然后，我们提出了一个估计器，允许灵活的机器学习估计被用于拟合非线性干扰函数的形式。我们建议进行统计推断，通过引导和rescue的方法，这使我们能够回避复杂的依赖隐含的干扰，而是依赖于经验的协方差结构。这种方差估计依赖于一个外生性假设，类似于观察性研究中引用的标准无混淆假设。在模拟实验中，我们的方法是更好地在去偏估计比现有的逆倾向加权估计的基础上的邻域暴露模型。我们用我们的方法重新分析了一个实验，在中国农村的一组村庄进行的天气保险采用。
2019-03-05 cs.SI stat.ME
Generalized difference-in-differences
本文提出广义双重差分框架，通过稳定偏差假设统一可忽略性与 DiD 估计，支持双重机器学习、聚类分配和交错采用，并在模拟中展现更强稳健性。
2023-12-08 stat.ME
Towards personalized causal inference of medication response in mobile health: an instrumental variable approach for randomized trials with imperfect compliance
移动健康研究可以利用来自智能手机的纵向传感器数据来指导个性化医疗干预的应用。在本文中，我们建议，通过一个工具变量的方法，不完善的遵守随机试验提供了一个自然的框架，个性化的因果推断的药物反应在移动健康研究。通过智能手机屏幕上弹出的电子消息，可以轻松地向研究参与者提供随机治疗建议。在相当一般的假设下，我们可以在存在未观察到的混杂因素的情况下确定实际治疗对应答的因果影响。我们实施了一个个性化的随机化测试的原假设的治疗反应没有因果关系的影响，并评估其性能在一个大规模的模拟研究，包括数据生成的线性和非线性时间序列模型在几个模拟条件下。特别是，我们评估的经验力量的建议和实际治疗的参与者之间的不同程度的遵守下的测试。我们的调查提供了令人鼓舞的结果方面的权力和控制的第一类错误率。最后，我们比较了所提出的工具变量的方法，一个简单的意向治疗策略，并制定随机置信区间的因果关系。
2017-07-31 stat.AP
Efficient Difference-in-Differences Estimation when Outcomes are Missing at Random
Carnegie Mellon University（卡内基梅隆大学）；Sant’Anna School of Advanced Studies（圣安娜高等研究学院）；Penn State University（宾夕法尼亚州立大学）；Amazon Science（亚马逊科学）
本文提出了一种基于半参数理论的高效DiD估计方法，用于处理预后或后治疗结果随机缺失的问题，通过多重鲁棒性和渐近最优性提升估计效率。
2026-01-24 econ.EM math.ST stat.ME
CausalKANs: interpretable treatment effect estimation with Kolmogorov-Arnold networks
causalKANs通过Kolmogorov-Arnold网络实现可解释的治疗效应估计，提供高准确性和可解释性的平衡解决方案。
2025-12-05 cs.LG stat.ML
Heterogeneous Treatment Effect Estimation using machine learning for Healthcare application: tutorial and benchmark
University of Texas Health Science Center at Houston（德克萨斯大学休斯顿健康科学中心）
针对靶向疾病开发新药是一项耗时且昂贵的任务，药物再利用已成为药物开发领域的热门话题。随着越来越多的健康声明数据的可用，已经对这些数据进行了许多研究。真实世界的数据是嘈杂的，稀疏的，有许多混杂因素。此外，许多研究表明，药物的效果在人群中是异质性的。近年来出现了许多先进的估计异质性处理效应的机器学习模型，并在计量经济学和机器学习领域得到了广泛的应用。这些研究承认医学和药物开发是主要的应用领域，但从HTE方法到药物开发的转化研究有限。我们的目标是将HTE方法引入医疗保健领域，并在将该方法与医疗保健行政索赔数据的基准实验进行翻译时提供可行性考虑。此外，我们希望使用基准实验来说明如何解释和评估模型时，它被应用于医疗保健研究。通过将最近的HTE技术介绍给生物医学信息学社区的广泛读者群，我们期望促进使用机器学习的因果推理的广泛采用。我们还期望提供个性化药物有效性的HTE的可行性。
2023-02-21 cs.IR cs.LG stat.AP
Improved Inference for CSDID Using the Cluster Jackknife
Carleton University（卡尔顿大学）；Aarhus Center for Econometrics, Aarhus University（奥胡斯大学计量经济学中心）；Queen’s University（女王大学）
本文提出使用聚类jackknife改进CSDID推断，以解决小集群和处理集群数量少时的过度拒绝问题，并提供软件包实现。
2026-02-12 econ.EM stat.ME stat.ML
A Bayesian factor analysis model for non-randomised staggered designs
MRC Biostatistics Unit, University of Cambridge（剑桥大学医学研究委员会生物统计学单元）；National Health Service England（英国国家医疗服务体系）；Blizard Institute, Faculty of Medicine and Dentistry, Queen Mary University of London（伦敦玛丽女王大学牙医学院布莱扎德研究所）；Hepatitis C Trust（丙型肝炎信托基金）
本文提出一种贝叶斯因果因子分析模型，用于评估同伴干预对HCV患者病例发现的影响，通过联合建模干预分配过程和前后干预结果，量化因果估计量并估计条件平均和个体治疗效应。
2026-03-17 stat.AP
Layer-2 Adoption and Ethereum Mainnet Congestion: Regime-Aware Causal Evidence Across London, the Merge, and Dencun (2021-2024)
Ivey Business School, Western University（韦仕敦大学伊维商学院）
本文通过跨伦敦、合并和达芬奇阶段的制度感知模型，首次实证研究了L2采用对以太坊拥堵的缓解效应，并提供可重用的监控模板。
2025-12-09 econ.EM econ.GN physics.soc-ph
Learning Explainable Treatment Policies with Clinician-Informed Representations: A Practical Approach
OpenAI (work done while at Stanford University)（OpenAI（工作期间在斯坦福大学））；Stanford University（斯坦福大学）
本文提出利用临床指导的表示学习可解释的治疗策略，以提高远程患者监测中1型糖尿病青少年的血糖控制效果。
2024-11-26 cs.AI cs.LG stat.AP
