SLICE：用保形E值实现无似然的序贯推断

当科学模型只能模拟、无法算出似然

许多科学模型可以被模拟，却无法写出可计算的似然函数（intractable likelihood）。这在天体物理、系统生物学、复杂机制建模等领域极为普遍——我们知道如何从模型参数生成数据，却无法反过来直接评估某组观测在给定参数下的概率密度。这一困境让频率学派的不确定性量化变得异常困难，因为传统的置信区间构造往往依赖于显式的似然。

一项名为 SLICE（Sequential Likelihood-Free Inference via Conformal E-Values） 的研究提出了一条新路径：通过保形推断（conformal inference）与 e 值（e-value）的结合，为这类模型的参数构造出**精确且任意时刻有效（anytime-valid）**的置信序列。

**似然函数不可计算（intractable likelihood）**是指：给定模型参数 θ 和观测数据 x，理论上存在一个概率密度 p(x|θ)，但这个密度因为涉及高维积分、复杂随机过程或混沌动力学等原因，无法用封闭公式或高效数值方法求得。以微引力透镜为例，从引力场参数到光变曲线的物理过程可以被精确模拟，但要反向计算"这条光变曲线在某组参数下出现的概率"则需要对所有可能的中间状态积分，这在实践中是不可行的。

基于似然的经典推断方法——包括最大似然估计、贝叶斯后验采样（如 MCMC）、以及基于似然比的置信区间——都在这里遭遇根本性障碍。**无似然推断（likelihood-free inference）或模拟推断（simulation-based inference, SBI）**正是为此而生：只要能从 p(x|θ) 中采样，即使写不出密度表达式，也能从数据中学习参数信息。SLICE 在此基础上更进一步，要求推断结论还要附带频率学派意义上严格的不确定性保证。

核心机制：从打分到检验鞅

SLICE 的构造逻辑环环相扣。在每一次新观测到来时，针对每个候选的零假设参数值，方法会从对应模型中生成全新的模拟数据。这些模拟被用来对一个"正值可预测打分"（positive predictable score）进行保形化处理，转化为一个条件 e 值。

关键在于下一步：把这些条件 e 值连乘起来，就得到一个检验鞅（test martingale）。通过在参数空间上对这个检验鞅取逆，便能得到参数的置信序列。

这套机制有一个极具吸引力的性质——有效性与打分的准确度无关。无论你用的打分函数多么粗糙或精确，构造出的置信序列在统计上都是严格有效的。换句话说，打分的质量只影响区间的宽窄（即统计效率），而不会破坏覆盖率的保证。这把"正确性"和"效率"这两个问题干净地分离开来。

e 值（e-value）是近年统计学中兴起的一个概念，可以理解为对"数据与零假设相容程度"的度量，其核心性质是：如果零假设 H₀ 为真，e 值的期望值不超过 1。这使得 e 值可以安全地连乘：若每一步都是条件 e 值，乘积就构成一个检验鞅（test martingale）——一个期望值不增的随机过程。当这个乘积超过阈值 1/α 时，我们就以水平 α 拒绝对应的零假设。

与传统 p 值相比，e 值的关键优势在于可组合性：多个独立 e 值相乘仍是 e 值，这正是支撑"任意时刻有效（anytime-valid）"推断的数学基础。传统 p 值在多次检验或连续监控场景下会因多重比较而导致第一类错误膨胀，而基于检验鞅的方法则从设计上就避免了这个问题——无论你在何时、以何种方式停止收集数据，错误率控制始终有效。

**保形推断（conformal inference）**则提供了将任意打分函数转化为有效 p 值或 e 值的通用机制，其有效性不依赖于数据分布的任何参数假设，只需要可交换性（exchangeability）条件即可。SLICE 正是借助保形化步骤，把神经网络输出的原始打分转变为统计上严格的条件 e 值。

为什么要用神经比值估计器

既然任何打分都能保证有效性，那什么样的打分最好？研究给出了明确答案：oracle 似然比打分能最大化期望对数增长率。也就是说，在所有合法打分里，真实的似然比能让检验鞅增长得最快，从而最快地排除错误参数、收紧置信序列。

这个理论结果直接指向了实践策略——既然真实似然比不可得，就用一个**摊销式神经比值估计器（amortized neural ratio estimator）**去逼近它。这正是近年来模拟推断（simulation-based inference）领域的主流工具。神经网络负责提供尽可能接近 oracle 的打分，而保形 e 值框架则在后台兜底，确保即使神经网络估计有偏差，最终的推断结论依然可信。

**摊销式神经比值估计器（amortized neural ratio estimator）**是模拟推断工具箱中的核心组件之一。其基本思路是：训练一个分类器，将来自联合分布 p(x, θ) 的样本与来自边际分布乘积 p(x)p(θ) 的样本区分开来。贝叶斯定理保证，最优分类器的输出正比于似然比 p(x|θ)/p(x|θ')，因此神经网络间接学到了我们无法直接计算的那个量。

"摊销"意味着这个估计器是对整个参数空间训练的，一旦训练完成，可以对任意新的观测 x 和参数 θ 直接前向传播得到比值估计，无需为每个新数据点重新运行推断。这与传统 MCMC 形成对比：后者对每个数据集都需要重新运行耗时的马尔可夫链。摊销的代价是需要事先进行大量模拟来训练网络，但在需要对同一模型反复推断的场景（如持续监控 LLM API 路由）中，这个前期投入是合算的。

三类实验的验证

研究在三个差异很大的场景中检验了方法的表现：

合成基准

在可控的合成数据上，SLICE 的置信序列在连续监控下始终保持有效，而固定样本量的传统方法在同样的持续检验下会失效。这揭示了 anytime-valid 性质的实际价值：你可以边收集数据边看结果，随时停下，而不会因为"偷看数据"而让错误率失控。

LLM API 的模型路由审计

一个颇具现实意义的应用是对大语言模型 API 的模型路由进行审计。许多商业 API 会在后台把请求路由到不同的模型上，SLICE 可以在这种场景下对路由行为做出有统计保证的推断——这体现了该方法在 AI 系统透明度与合规审计上的潜力。

微引力透镜数据

在天体物理的**微引力透镜（microlensing）**真实数据上，方法同样奏效。这类数据正是"能模拟、难算似然"的典型代表，验证了方法在硬核科学问题上的适用性。

实验还显示，神经打分的效率与精确似然比以及针对特定应用定制的打分不相上下，说明用神经网络逼近 oracle 的策略在实践中并没有付出明显的效率代价。

意义与定位

SLICE 的价值在于把几条独立发展的技术线索编织到了一起：模拟推断、保形预测、e 值与检验鞅理论、以及 anytime-valid 推断。它为"只能模拟的科学模型"提供了一个既严格又灵活的推断框架——严格体现在无条件的有效性保证，灵活体现在可以插入任意打分函数（包括强大的神经网络）。

对于需要在连续监控下做决策、又无法接受错误率失控的场景（无论是物理实验还是 AI 系统审计），这种任意时刻有效的方法提供了传统固定样本框架难以替代的保障。随着模拟推断工具的成熟，这类将现代深度学习与经典统计保证相结合的工作，可能会成为科学推断的一个重要范式。