知识卡片：SLICE：基于共形 E-值的序列无似然推断

一句话结论

SLICE 通过将模拟得到的预测分数共形化为条件 E-值并构造检验鞅，为似然不可解的科学模型提供精确的“随时有效”置信序列，且其有效性不依赖于打分函数的准确性。

事件概述或研究问题

许多科学模型可以被模拟，但其似然函数难以解析计算，这使得频率派的不确定性量化变得困难。论文针对此类模型，研究如何在序列观测下构造对参数具有精确频率派保证的置信序列（confidence sequences），并支持在连续监控下保持有效性。

方法/产品要点

• 对每个候选零假设（candidate null）生成新的模拟样本，将正的可预测分数（positive predictable score）通过共形化（conformalize）转化为条件 E-值（conditional e-value）。
• 这些 E-值的乘积构成检验鞅（test martingale），再对参数进行反演（invert）以获得置信序列。
• 有效性对任意打分函数成立，无论其准确度如何。
• 理论分析指出：oracle 似然比分数（oracle likelihood-ratio score）最大化期望对数增长，这为使用摊销神经比率估计器（amortized neural ratio estimator）近似该分数提供了动机。
• 在合成基准、LLM API 模型路由审计、以及微引力透镜（microlensing）数据上进行验证。

主要结果或产业意义

• 在合成基准、LLM API 模型路由审计、微引力透镜数据上，所构造的置信序列在连续监控下保持有效，而固定样本方法（fixed-sample methods）则无法做到。
• 神经分数（neural scores）的表现与精确似然比及应用专门设计的分数相比具有竞争力。
• 产业意义：为依赖模拟器、缺乏解析似然的前沿模型（如 LLM 路由系统）提供了可审计、可在线监控的频率派不确定性量化手段。

为什么重要

• 此前已有工作关注无似然推断中的冗余参数处理与效率（如基于归一化流的无似然推断），而 SLICE 的增量在于将序列化监控与随时有效保证引入无似然场景，使置信序列在数据不断到来时仍然精确有效。
• 对 LLM API 路由的审计案例表明，该方法可应用于工业级基础模型系统的可靠性与合规性评估。

局限与不确定性

• 具体合成基准的构成、LLM API 审计的细节、微引力透镜实验的设置，材料中未展开，待核实。
• 神经比率估计器的训练成本、收敛性与近似误差对序列有效性的实际影响，材料未说明，待核实。
• 论文是否提供代码与可复现资源，待核实。

可用于图书/PPT/简报的角度

• “模拟器即模型”：当似然不可解时，如何仍获得严格的频率派保证。
• 随时有效推断（anytime-valid inference）与固定样本推断的对比：为什么连续监控会破坏传统方法。
• E-值与鞅方法作为不确定性量化的通用工具。
• 共形化 + 神经比率估计：将深度学习组件嵌入具有形式保证的统计框架。
• 基础模型运维审计：以 LLM API 路由为例说明统计推断在 AI 系统治理中的应用。

原始材料

• Title: SLICE: Sequential Likelihood-Free Inference via Conformal E-Values
• Authors: Stefano Cortinovis, Laura Battaglia, François Caron
• Published: 2026-10-09T17:04:51Z
• Primary category: stat.ME
• Categories: stat.ME, stat.ML
• Abstract URL: https://arxiv.org/abs/2610.13855v1
• PDF URL: https://arxiv.org/pdf/2610.13855v1
• Keywords: Sequential Likelihood-Free Inference; Conformal E-Values; Confidence Sequences; Test Martingale; Amortized Neural Ratio Estimator