自适应近似贝叶斯计算
本文研究了基于自身与随机生成机理模型定义的技术：近似贝叶斯计算。我们推导了基于拒绝采样和线性调整的标准后验分布估计器的渐近偏差和方差，提出了一种基于二次调整的原始估计器，它的偏差所含的项比基于线性调整的估计器少。此外，我们建议使用摘要统计的变换，以使其更加均匀。通过不同的案例，本文表明了统计描述与贝叶斯计算方法的潜力。
Apr, 2009
介绍了一种基于机器学习的方法，通过非线性条件异方差回归和改进的重要性采样方法估计后验概率密度，相较于现有方法在统计遗传学和排队模型等领域计算负担减轻了不少。
Sep, 2008
本文介绍了 Beaumont（2002）引入的回归调整近似贝叶斯计算的渐近结果。结果表明，对于一个适当的带宽选择，回归调整将导致一个渐近正确量化不确定性的后验分布。此外，对于这样的带宽选择，我们可以实施重要性抽样算法以采样自后验分布，其接受概率随着数据样本大小的增加而趋近于 1。这比标准近似贝叶斯计算的结果更好，在那里，要想获得一个正确量化不确定性的后验分布，唯一的方法是选择一个更小的带宽，其中接受概率趋近于零，因此蒙特卡罗误差将占主导地位。
Sep, 2016
本文提出一种基于序贯蒙特卡罗近似贝叶斯计算的方法，用于评估后验分布并推断动态模型的参数，可适用于多种生物系统的参数推断、灵敏度分析和模型选择，此方法比其他近似贝叶斯计算方法表现更好。
Jan, 2009
本文提出了一种基于贝叶斯优化 (Bayesian optimization) 和高斯过程 (Gaussian processes) 的 ABC (Approximate Bayesian computation) 后验分布估计方法，通过计算 ABC 后验密度的不确定性来定义损失函数，并选择下一个评估位置以最小化期望损失。实验表明，该方法通常比常见的 BO 策略产生更准确的近似。
Apr, 2017
使用序贯蒙特卡罗取样策略来刻画收集一系列模型以及这些模型的参数的后验分布，以及比较其它技术的性能表明，该方法在相等的计算代价和较少的特定应用类型的实施工作情况下总是竞争性的，并且往往比替代技术优越得多。
Mar, 2013
这篇综述论文研究了近年来对原始 ABC 算法进行的各种改进和扩展，探讨了 ABC 方法在缺少可追踪度的似然问题中的解决方案，并且指出了它们存在的校准困难和不稳定性问题。
Jan, 2011