本章节在《近似贝叶斯计算手册》中发表，概述了两种估计不可计算似然性的方法，即基于模型根据统计量估计出的参数假设的贝叶斯人工似然法和使用一组约束来构建经验似然，或者使用近似方法来规避对模型的模拟。这两种方法的具体实施被展现在各种不同复杂度的模型中。
Mar, 2018
本文介绍了一类基于 ABC 思路的近似方法，着重于处理那些观测和参数似然不易求得的时间序列模型，并保持了原始统计模型的概率结构，为参数推断提供了一种分析近似偏差和适应计算方法的新途径。
Jan, 2014
本文探讨了基于回归密度估计技术的方法来近似似然函数，该方法可促进贝叶斯推断及频率学推断。该方法在推断特殊极端值问题中进行了实证研究，实现了贝叶斯推断和频率学推断。
Dec, 2012
本文介绍了一种基于 kernel 的 ABC 方法，它能够应对需要使用多个总结统计量的复杂问题，并表现出高效的推理性能。
May, 2012
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
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
提出了一个最大似然方法，使用近似贝叶斯计算（ABC）方法的一般类别的模型。精度依赖于使用小阈值进行比较。所提出的方法显示了如何使用大的阈值，同时增加数据克隆的数量以实现近似最大似然估计.
May, 2015
介绍了一种基于 Hamiltonian Monte Carlo（HMC）和随机梯度的近似贝叶斯计算框架，称为 Hamiltonian ABC（HABC）。该方法使用前向模拟来近似贝叶斯计算的梯度，并展示了在机器学习领域进行高维问题的 HABC 样本比使用真实梯度的传统贝叶斯推断方法的结果相当。
Mar, 2015
本研究开发了两种新的适应性 ABC 抽样算法，可显著减少后验推断所需的模拟数量，并且在真实的生物问题实验中得到了有效的验证。
本文介绍了一种面向主动学习的 ABC 统计量选择方法，可减少领域专家的工作量，并在预算有限的情况下获得更好的后验估计。
Jan, 2022