本文介绍了 Moeller 等人（2004）的辅助变量方案，该方案用于从具有难以处理的归一化常数的分布中进行准确的抽样，并提出了一种新的 MCMC 算法，提高提议分布的接受概率，并在采样之前消除模型参数估计的需求。

Jun, 2012

该研究提出了一种解决在科学领域中使用高级计算机模拟时出现的后验推断问题的新方法，这种方法使用学习的灵活的摊销估计量来近似似然 - 证据比率，并可以嵌入 MCMC 采样器中以从难以处理的后验中获得样本。

Mar, 2019

本文探讨了以 Stein discrepancy 作为损失函数的广义贝叶斯推断，以规避似然函数中存在难以计算的标准化常量，并展示了其一致性、渐近正常性和偏差稳健性，同时提供了针对各种难以计算分布的数值实验，包括基于核的指数族模型和非高斯图模型的应用。

Apr, 2021

提出一种名为双向蒙特卡罗的技术，利用混合重要性采样或序列蒙特卡罗方法获得模型的准确对数边缘似然估计的随机下限和随机上限，并使用该方法获得的对数边缘似然估计真值对多种现有的最大似然估计器进行 quantitative 评估，并从中得出关于如何准确估计边缘似然估计的 insights。

Nov, 2015

该论文提出了一种基于贝叶斯条件密度估计的无似然推断方法，通过有限的模拟数据进行初步的推断，引导后续的模拟，相较于 Monte Carlo ABC 方法，该方法需要较少的模型模拟来获得整个真实后验分布的准确参数化表示。

May, 2016

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

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

本文提出的变分贝叶斯方法可以推广到似然函数难以处理，但可以偏差无偏估计的情况，这种方法能够以较高精度近似获得边际后验分布。

Mar, 2015

基于逻辑回归的比例估计方法作为参数统计推断的替代方法，以更丰富的总结统计信息来消除假设先验和卡方问题。

Nov, 2016

本文介绍了一种新型的高效样本推断框架，变分贝叶斯蒙特卡罗（VBMC），可用于难以处理的黑盒似然的后验分布和模型评估。该方法结合了变分推断和基于高斯过程的主动采样贝叶斯积分，并在合成和实际数据的测试中表现出很好的性能。

Oct, 2018