SLICE：基于 Conformal E-Values 的序贯无似然推断

SLICE 面向可模拟但似然难以计算的科学模型，构造模型参数的精确、任意时刻有效置信序列，使研究者能在持续观察数据时进行频率学派不确定性量化。基于摘要分析，本文的主要贡献是将模拟校准的条件 e-value 累积为检验鞅，再通过参数反演得到置信序列。 机制上，每次获得观测后，方法从各候选原假设下生成新的模拟数据，将正的、可预测评分经 conformal 校准转化为条件 e-value，并对其连乘。作者称，任意满足要求的此类评分均可保证有效性，不取决于评分准确度；这一主张不能外推为对模拟模型失配也稳健。作者还给出 oracle 似然比评分最大化期望对数增长的结论，据此采用摊销神经比率估计器近似该评分，将有效性保证与评分效率区分开来。 作者报告，在合成基准、LLM API 模型路由审计及微引力透镜数据中，所得置信序列在持续监测下保持有效，而固定样本方法在相应监测设置下不能保持有效；神经评分与精确似然比及应用专用评分具有竞争力。摘要未提供具体指标、模拟预算或对照实现，实验协议、消融及统计信息尚未验证。全文还需核对条件有效性所需假设、候选参数搜索与置信集反演的计算成本。 平台推测（待验证）：若 EEG 生成模型可在候选参数下可靠模拟，该机制可能用于序贯估计其参数并量化不确定性，而非直接作为解码算法。可复用 e-value 累积与置信集反演，需改造模拟器及评分输入；低信噪比、跨被试差异、通道变化和小样本可能导致模拟失配或置信序列过宽。可先在具有已知参数的合成 EEG 模型中，检验预设监测规则下的覆盖率、区间宽度及模拟成本。原领域结果不等于 BCI 有效性，已有 EEG 相关工作尚未检索确认。