《Mathematics》：Prediction-Powered Inference in Hybrid Measurement Regimes: A Statistical Survey
预测驱动推断（Prediction-Powered Inference, PPI）研究在小规模金标准标签与大规模机器生成预测相结合时的统计推断问题。其核心难点在于，预测虽可显著降低方差，但直接将预测替代真实结果通常会改变待估参数，导致不确定性量化失效。文献中的基础补救方案是校正：利用预测构建低方差插件项，同时利用标注观测估计并修正由预测替代引起的推断偏差。本文综述将PPI视为面向混合测量机制的一类校正插件流程。该综述基于均值估计、估计方程与损失函数形式建立了统一的统计模板，并据此从所修改的流程组件出发对比现代变体：校正引擎、标签获取设计、预测器依赖性或有效性目标。同时，本文厘清了PPI与模型辅助抽样调查、预测后校正、代理结果方法、经典测量误差模型及半参数增广之间的关联。全文始终区分有效性问题与效率、稳健性及计算问题，并强调预测辅助的有效使用不要求预测模型正确，而是取决于校正、依赖关系与抽样设计的处理方式。综述最后讨论了常见失效模式、实践报告建议，以及有限样本理论、异质性代理质量与协议感知部署方面的开放性问题。
引言
现代实证研究日益将测量与预测分离。在许多应用中，协变量或原始输入易于大规模收集，而金标准结果则昂贵、耗时或难以获取。人类标注、临床裁定、实验室检测、专家编码及长周期随访均产生这种不对称性。与此同时，机器学习系统通常能为同一目标结果生成快速且廉价的预测。这种稀缺可信标签与丰富但不完美预测并存的情形已广泛出现在生物医学、社会科学、遥感、计算语言学及人工智能系统评估中。
这一设定产生了典型的推断张力。若仅依赖标注样本，推断可能保持有效但噪声过高；若将缺失结果直接替换为预测并按真实标签处理，所得流程可能针对错误量数并产生误导性不确定性陈述。因此，基本的方法学问题并非预测本身是否有用，而是如何在改善精度的同时不损害针对科学目标的推断有效性。
Angelopoulos等人提出的预测驱动推断为此提供了通用答案。其最简形式为：PPI将基于预测的插件项与标注样本校正项结合。前者利用预测池的规模，后者估计用预测替代金标准结果所产生的差异。这种插件估计与标注校正的分离构成了组织该文献的基础统计思想。
后续工作沿多个方向推进：部分研究精炼核心校正机制及其实现，如PPI++、FAB-PPI及依赖感知流程（如Cross-PPI）；部分通过改变数据采集或测量机制，引入自适应标注、信息性验证或多代理通道；另一部分则通过改变有效性目标，发展基于Bootstrap、共形或序贯有效的流程。近期研究亦阐明了该框架在有限样本、训练诱导依赖及异质代理质量下的若干局限。
本综述以校正为核心组织原则，将PPI定义为通过插件项引入预测辅助，并通过针对预测替代所致推断偏差的显式标注数据校正来确保有效性的流程。该视角有助于将核心PPI与相邻代理辅助方法区分开来，并为比较在标注设计、依赖结构或推断目标上存在差异的流程提供统一语言。
统计设定与校正原理
在典型设定中，研究者关注来自目标分布P的协变量-结果对(X,Y)，其中Y为科学关注的金标准结果，X为可用于生成预测的协变量或原始测量。观测数据包含标注样本L（含X与Y）与未标注预测池U（仅含X）。预测规则f:X→?生成伪标签，其中标注样本上的预测用于估计校正项，未标注样本上的预测用于构建低方差插件项。
在第2至4节中，本文首先讨论外部预测器机制，即f与标注样本推断所用的随机性独立，以隔离校正机制本身。
校正插件估计的核心逻辑是将预测带来的方差降低与标注样本的偏差校正相分离。设待估量θ依赖于Y的分布，直接用?替代Y会得到一个低方差插件估计量，但通常改变待估参数。统计任务是在保留大预测池方差优势的同时恢复θ。一般分解形式为θ = θf+ Δ，其中θf为用?替代后的目标，Δ为由此产生的差异。θf可由未标注预测池估计，Δ可由标注样本中(Y, ?)联合观测估计，从而得到校正估计量θ?PPI= θ?f+ Δ?。标注数据不仅用于评估预测准确性，更用于估计特定推断目标下预测替代所导致的推断偏差。
在均值估计的典例下，PPI估计量为未标注预测均值与标注残差均值之和，在外部预测器与同分布假设下无偏，且方差由预测池规模与残差变异共同决定。相比仅用标注样本，当预测池足够大且残差变异足够小时可获得精度提升。
该逻辑可推广至广义估计方程与M估计框架。定义损失函数?(θ; Y)及其得分或次梯度ψ(θ; Y)，预测驱动的校正得分为ψ(θ; ?) + (ψ(θ; Y) ? ψ(θ; ?))，进而构建校正估计方程。原始PPI通过置信集反演构造不确定区域，PPI++则基于校正点估计量的渐近协方差进行推断，二者共享同一统计分解但采用不同的推断实现。
统计根源与概念定位
基线PPI最接近的经典统计先驱是模型辅助抽样调查。均值估计下，PPI估计量与经典差分估计量代数形式一致：先利用辅助信号构建插件估计，再用标注样本平均残差校正替代误差。PPI++中的调优线性增广则与广义回归估计（GREG）密切相关。这种联系将验证设计问题纳入推断框架，如审计单元选择、代理质量分层及审计资源分配。
与预测后校正（Inference After Prediction）的区别在于校正进入流程的阶段：后者先完成基于预测替代的分析，再解析或Bootstrap修正偏差；PPI则将校正内建于估计量本身，将预测插件项与标注校正项结合。
PPI也属于更广泛的代理结果文献，将预训练模型生成的预测视为现代代理。区别在于核心PPI以显式校正预测诱导的推断偏差为主要有效性保障手段，而非依赖正则化、验证调度或广义代理融合思想。
与经典测量误差模型相比，PPI不要求预测规则对Y有正确设定，也不假定已知误差分布，而是利用标注样本估计针对特定待估量的预测替代偏差。二者互补：测量误差模型适合能明确误差机制的情形，PPI适合拥有大量机器预测与少量金标准标签的情形。
PPI在结构上与半参数增广和正交化相关，均结合插件项与期望为零的校正项，但PPI不要求预测模型正确，且校正针对预测诱导的测量偏差而非一般干扰参数误设。其有效性不意味着达到半参数效率界，后续研究关注如何通过更丰富的校正对象提升效率。
核心PPI方法族
核心PPI家族保留基本混合测量设计与显式校正有效性保障，各方法主要修改流程的不同部分。
基础性PPI由Angelopoulos等人提出，确立了预测提供低方差插件项、标注样本估计预测与金标准差异的分解框架，支持均值、估计方程及置信集反演等多种目标，明确了有用预测辅助来自校正而非朴素替代，且不要求预测模型正确。
PPI++在计算与效率上改进基线框架：用优化流程与渐近正态近似替代反演实现，提升通用凸目标的易用性；引入调优参数控制预测辅助强度，在预测信道较弱时可退化为仅用标注的推断。在外部预测器与固定时间推断下，PPI++常为核心家族中最实用的默认选择，但其非劣性保证为渐近性质。
FAB-PPI在不牺牲频率论有效性的前提下引入关于校正项的先验信息，当小校正误差合理时可缩短置信区间，重尾先验则在数据不支持时退化为普通PPI行为，适用于能论证校正项量级先验信息的场景。
Cross-PPI解决预测器训练导致的依赖问题：当标注数据同时用于训练与校正时，学习得到的预测规则与校正项相关，忽略此依赖会破坏名义覆盖率。该方法通过样本分割与交叉拟合，使每个校正观测与在其他折上训练的预测配对，重新确立模型训练与推断校正的分离，代价是数据效率损失。
分层变体（Stratified PPI）针对代理质量异质性，在不同预设层中估计独立校正项并聚合，当层能追踪残差行为或代理保真度的真实差异时可显著提升效率，反之则可能引入噪声。
重校准PPI（Recalibrated PPI）指出基线残差校正有效但非效率最优，通过学习目标特定的填补损失或校正对象扩展校正方案类别，将关注点从“校正是否恢复有效性”转向“何种有效校正对给定待估量最有帮助”。
条件与目标局部化扩展将框架推广至由协变量值、邻域或子群索引的局部泛函，此时全局校正不足，需将预测与金标准的差异局部化到决定目标的样本部分，预测平均表现良好不代表在目标区域同样有效。
多目标与复合估计扩展至并行估计多个相关问题，将问题内校正与跨问题自适应收缩结合，连接PPI与经验贝叶斯及复合决策思想。
改变数据收集或有效性机制的扩展
此类扩展脱离固定时间渐近分析的基本设定，改变标签获取方式或有效性目标类型。
主动与自适应标签获取将标注决策纳入推断设计，利用预测信息将标注资源导向对推断目标最具信息量的观测，改变标签采样律并影响有效性分析；稳健主动采样通过插值主动与均匀采样缓解分数不稳定导致的过度集中风险。
信息性标注与逆概率加权（IPW）处理非简单随机采样的验证设计，当标注概率依赖于风险或操作优先级时，采用IPW对标注单元加权以恢复代表性，将标注样本视为具有不等包含概率的验证样本，引入Horvitz–Thompson与Hájek型校正。
多代理与预算感知校正针对多个不完美代理并存的情形，在资源约束下决定代理源组合与成本分配，统计性能取决于各代理的信息量及误差重叠程度，任务从单源校正转为约束代理融合。
基于Bootstrap的预测驱动推断（PPBoot）保留校正思想但改用重采样进行不确定性量化，适用于复杂目标或算法定义目标，无需推导定制解析方差公式。
共形预测作为有效性接口将共形集预测器嵌入校正框架，预测阶段输出校准集值对象，再用标注数据校正剩余推断偏差，适用于分布自由校准、偏移鲁棒性及隐私感知部署。
E值与任意时间有效推断将校正实现于e过程层面，支持序贯检验、可选停止与模块化管道集成；相关发展包括任意时间有效的贝叶斯辅助预测驱动置信序列，强调时间均匀推断。
联邦与去中心化设定适配数据分布存储的场景，在原始数据不可集中汇总时仍可聚合预测摘要与校正量，属于协议层面的扩展。
有限样本行为、失效模式与实践诊断
PPI的渐近保护不等于有限样本改进。PPI++的渐近非劣性不保证有限样本下优于仅用标注的推断：调优系数由标注样本估计，当伪标签与金标准相关性相对于标注样本量过弱时，额外估计步骤增加的变异可能抵消伪标签带来的效率增益。实践应避免笼统宣称普遍改进，并报告标注样本量与代理质量区间。
异质性代理质量限制了“使用所有预测”的哲学：当代理性能在样本、子群或特征空间区域间差异显著时，不加区分地使用所有预测会稀释信息信号，需通过分层、局部化或过滤诊断识别预测有效的区域。
设计敏感性与加权不稳定性在非均匀标注设计下尤为突出，逆概率加权虽可恢复有效性，但不稳定或弱识别的包含概率会大幅膨胀方差，需报告有效样本量、权重分布及对截断、稳定化的敏感性。
实践报告应至少包含：预测器来源（外部、交叉拟合或重叠训练）、标签获取机制、与目标绑定的代理诊断（如残差变异而非抽象准确率）、预期有效性机制，以及在重要场景下与经典仅标注基线的有限样本性能比较。
应用领域与实证经验
适合PPI的应用需同时满足：科学待估量定义在潜在金标准结果上；预测在规模与成本上具有实际意义；存在较小但可信的标注通道且对目标相关分布具信息性；推断协议明确标签获取方式与预测器生成过程。
生物医学与临床场景是天然适用领域，如临床裁定、图表审查、实验室检测与延迟结局确定。预测辅助临床试验可在不改变设计定义待估量的情况下减少所需样本量，其增益具有终点依赖性，与预测器的个体水平准确性直接相关。
因果与政策应用利用PPI处理运输效应、子群效应或难以大规模测量的长期结果，除预测校正外还需考虑可运输性、重叠性与效应修饰结构。
科学与工程测量场景中，预测常来自科学基础模型、图像分析系统等测量替代品，适用于可靠测量本身稀缺的问题，且依赖感知、Bootstrap与设计感知变体在科学工作流中尤为重要。
AI评估与LLM-as-a-Judge场景结构透明：人类判断昂贵可信，自动评估廉价但系统性不完美，代理质量常呈强异质性，分层、过滤与重校准流程可有效减少所需人类标注量，且预测准确性与推断有用性并不等价。
风险监测与在线部署将PPI与序贯有效性工具结合，支持动态环境中的持续安全监测，如半监督风险控制和任意时间有效风险监控。
跨领域经验表明，PPI最适用于金标准标签昂贵或延迟、机器代理丰富且有实质信息性、科学目标定义在潜在真相上的情形；而在验证设计不明、预测对目标弱信息性或代理质量剧烈异质时被审慎使用。
讨论与开放问题
目前已较明确的是：显式校正为混合测量下的中心推断问题提供了可行统计方案；PPI属于广义统计谱系，与抽样调查、预测后校正、代理辅助及半参数增广密切相连；核心PPI由显式校正机制界定，而非仅由预测与审核标签共存定义。
尚未解决的问题包括：有限样本性能在调优、自适应及异质代理流程中仍缺乏系统刻画；异质代理质量的处理策略尚分散，缺乏何时分层、局部化、过滤或学习更复杂校正对象的统一框架；设计导向与超总体视角的综合仍未充分发展；复杂工作流中校正与整体分析协议的相互作用有待澄清；协议级问题随应用普及愈发关键。
实践启示为：方法选择应始于推断设定而非名称偏好；预测质量应相对于待估量判断；验证设计应作为推断的一部分被记录与处理；需避免将渐近非劣性误读为有限样本保证、将更好预测等同于更好推断、滥用PPI标签或将聚合增益掩盖异质性与不稳定性。
未来工作应聚焦于：加强调优、自适应与异质代理流程的有限样本理论；优化标签获取的资源分配设计；发展针对结构化代理异质、复杂抽样及复合或局部待估量的校正方法；在在线监测、AI评估与高通量科学测量等测试床中完善协议标准，使PPI在保持推断可信性的前提下充分发挥预测辅助的价值。
