两层框架让校准后预测误差真正可控，带宽仅KOH-MCMC的20%！
Prediction Uncertainty Controlled Computer Model Calibration
📖 AI 总结
该论文针对计算机模型校准中预测不确定性缺乏控制的问题提出新方法。传统贝叶斯KOH校准与摊销式模拟推断均无法保证校准后模拟器的预测误差，当参数识别较弱或数据-模型差异设定有误时，名义后验水平对应的预测区间可能严重偏离名义覆盖率。作者提出两层框架直接以预测误覆盖为目标：先用条件流匹配模型学习校准参数的摊销后验，并用不同结构的高斯过程差异扰动模拟器输出进行训练；再用保形风险控制将后验抽样组织为嵌套候选集，选取在合成校准样本上达到规定时间平均误覆盖率的最小集合，在可交换性假设下实现有限样本的期望误覆盖控制。合成基准中，所提区间宽度约为KOH-MCMC区间的20%，误覆盖率接近10%目标；在2010年马拉维麻疹疫情年龄结构SEIR模型校准中同样更锐利且接近名义水平，未覆盖周次集中于疫情非对称下降阶段，揭示机理模型的结构不足。
🔑 关键词速览
| Computer-model calibration | 计算机模型校准：调整模型参数以使模拟输出与观测数据一致的过程。 |
| Kennedy-O'Hagan (KOH) calibration | Kennedy-O'Hagan校准：一种贝叶斯校准方法，通过高斯过程建模模型差异。 |
| Conditional flow-matching model | 条件流匹配模型：一种生成模型，通过匹配概率流来学习条件分布。 |
| Conformal risk control | 保形风险控制：一种基于保形预测的框架，用于控制风险或误覆盖率。 |
| SEIR model | SEIR模型：一种传染病动力学模型，将人群分为易感者、暴露者、感染者和恢复者。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅