本文使用神经密度估计器学习来自一组模拟数据集的似然函数，以及实时学习以适应性地获取最相关的参数空间区域的仿真，以展示 DELFI 在宇宙学案例研究中的应用。

Feb, 2019

我们倡导一种新的宇宙学基于概率的推断范式，利用最近在机器学习及其底层技术中的发展，加速在高维环境中的贝叶斯推断。具体来说，我们结合了（i）模拟 —— 其中训练一个机器学习模型来模仿宇宙观测量，例如 CosmoPower-JAX；（ii）可导性和概率编程，例如 JAX 和 NumPyro；（iii）可伸缩的 MCMC 采样技术，可以利用梯度，例如哈密顿蒙特卡罗；以及（iv）解耦且可伸缩的贝叶斯模型选择技术，纯粹从后验样本计算贝叶斯证据，例如在 harmonic 中学到的调和均值。这一范式使我们能够在传统方法的一小部分时间内进行完整的贝叶斯分析，包括参数估计和模型选择。首先，我们在 37 - 维和 39 - 维参数空间中，通过模拟的宇宙剪切分析，展示了这种范式的应用，比较了 ΛCDM 模型和动力学暗能量模型（$w_0w_a$CDM）。我们的结果与传统的嵌套采样方法计算得到的后验轮廓和证据估计非常吻合，而且计算成本从需要 48 个 CPU 核心上的 8 个月时间减少到了使用 12 个 GPU 的 2 天时间。其次，我们考虑了三个模拟的下一代调查的联合分析，每个调查都进行了 3x2pt 分析，得到了 157 - 维和 159 - 维参数空间。在这种高维环境中，标准的嵌套采样技术根本不可行，需要在 48 个 CPU 核心上投入 12 年的计算时间。而另一方面，我们提出的方法只需要 24 个 GPU 的 8 天计算时间。我们在分析中使用的所有软件包都是公开可用的。

May, 2024

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

本文采用简单的机器学习方法，基于降维和监督学习方法建立基于暗物质密度参数的快速暗物质密度场仿真方法，并通过预测和反投影系数来预测不同宇宙学参数的密度立方体。该方法在保证相应精度下，相比于完整的 N 体模拟大幅缩短计算时间，可以显著加速宇宙模型参数和模型推断等工作，为 ESA/NASA Euclid 任务等开放了更广泛的应用空间。

Apr, 2023

本文探讨了机器学习和统计学中的两个问题：密度估计和无似然推断，结合深度学习中新方法，提出了有效解决方案。

Oct, 2019

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

自我监督的机器学习方法通过模拟增强构建了大规模数据集的代表性摘要，用于精确和准确的参数推断以及对宇宙学数据的压缩与分析。

Aug, 2023

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

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

提出了一种基于核算子特征函数的密度比估计器，避免了显式降维步骤，可以更好地反映数据的几何结构，同时可扩展应用于极端高维下的似然函数估计问题。

Apr, 2014