本文提出了一种新的算法，使用随机梯度变分推断方法和无偏估计对后验分布进行近似，实现了降低计算开销的贝叶斯合成似然，同时改善了现有相关似然无关变分推断技术的实现方式。这些新算法可以在参数和统计量的维度方面具有挑战性的情况下实施，相比传统的近似贝叶斯计算方法更为可行。

Aug, 2016

该研究探讨了两种不需要概率似然函数的方法来处理具有随机模拟器模型的参数推断问题，分别是通过分类器学习隐含的密度比例和构建条件分布进行参数后验的灵活神经密度估计。研究表明这两种方法可以共同运行于一种对比学习策略下，并详细解释了它们如何运行和相互比较。

Feb, 2020

本文提出了一种基于机器学习和降维的新方法，用于进行无似然推断，不需要事先了解模型参数的先验分布。

Jun, 2015

研究推断基于模拟器的统计模型，提出了结合概率建模和优化的策略来加速无似然推断方法，实现了对几个数量级所需模拟次数的削减。

Jan, 2015

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

提出一种基于似然比的高维半参数广义线性模型的推理框架，包括使用规则化统计制备模型、构建后规则化的置信区间和测试、发展新的浓缩不等式和正态逼近结果，以及应用于缺失数据问题的示例。

Dec, 2014

本文介绍了一种基于神经网络和优化方法的似然比函数估计的方法，可用于工程和统计领域中的检测和假设检验问题。

Nov, 2019

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

这篇论文提供了一种基于边际集似然函数的半参数推断方法，用于分析具有不同类型的多元数据，如二进制、次序和连续型数据，通过相互参数化变量的联合分布和单变量边际分布来实现混合数据分析。其 Gibbs 采样算法适用于高斯协方差模型的参数估计和推断。

Oct, 2006

本文提出了一种使用深度神经网络学习数据的互信息最大化表示来构建难以计算似然函数的隐式生成模型的摘要统计量，并将其应用于传统的近似贝叶斯计算和最近的神经似然方法，提高了它们的性能。

Oct, 2020