Possibilistic Inferential Models: A Review
可能性推断模型：综述AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论一般不确定性量化和统计推断基础，未提供与给定微观、宏观或金融细分相对应的具体研究对象或模型。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
可能性推断模型：综述
- 研究问题
- 如何不局限于精确概率分布来量化未知量的不确定性，同时获得可靠性保证，并允许类似贝叶斯的条件推理？
- 方法与思路
- 作者综述可能性推断模型与不精确概率理论的联系，介绍相关理论、方法及计算工具，并提出基本模型的一种推广。
- 材料陈述的贡献
- 摘要称此类模型兼有较强的频率式可靠性与条件化的不精确概率推理，推广还连接了 bootstrap 和保形预测。
- 阅读关注点
- 应核对可靠性的数学定义、可能性与概率的区别、条件化规则，以及综述内容和新推广之间的界限及其计算方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；可靠性条件和推广细节未提供，也不能把综述涉及的方法全部当作本文新贡献。
原文摘要
An inferential model (IM) is a model describing the construction of provably reliable, data-driven uncertainty quantification and inference about relevant unknowns. IMs and Fisher’s fiducial argument have similar objectives, but a fundamental distinction between the two is that the former doesn’t require that uncertainty quantification be probabilistic, offering greater flexibility and allowing for a proof of its reliability. Important recent developments have been made thanks in part to newfound connections with the imprecise probability literature, in particular, possibility theory. The brand of possibilistic IMs studied here are straightforward to construct, have very strong frequentist-like reliability properties, and offer fully conditional, Bayesian-like (imprecise) probabilistic reasoning. This paper reviews these key recent developments, describing the new theory, methods, and computational tools. A generalization of the basic possibilistic IM is also presented, making new and unexpected connections with ideas in modern statistics and machine learning, e.g., bootstrap and conformal prediction.