基于模拟的推断方法需要准确建模 p 值函数或测试统计量的累积分布函数，通过使用神经网络模型近似采样分布以建模一维条件采样分布，从而提供可行的概率密度比方法的替代方案。

May, 2024

介绍了一种名为深度条件变换模型的方法，可用于学习条件累积分布函数，该方法将现有方法统一起来，并同时学习可解释（非）线性模型项和更复杂的神经网络预测器

Oct, 2020

通过结合神经网络和时点过程（TPPs）的 Cumulative Distribution Function（CDF）方法，本研究提出了一种名为 CuFun 的模型，具有较高的适应性和精确性，能够处理复杂的时间数据并捕捉长期的时间模式。

Feb, 2024

本论文提出了一种新的条件密度滤波算法（C-DF），用于有效的在线贝叶斯推断，通过在新数据到达时从条件后验分布的近似中采样，利用统计量消除了同时存储或处理整个数据集的需求，从而提高了内存需求和运行时长，改善了混合度，并展示了其在高维压缩回归中的应用。同时，本文证明了 C-DF 样本随着采样的进行和数据的增多而渐近地收敛于目标后验分布。

Jan, 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

本研究提出了一种新的非归一化统计模型估计器族，其参数由两个非线性函数组成，使用来自辅助分布的单个样本，推广了 Geyer 和 Thompson（1992）的最大似然蒙特卡罗估计方法，并且可以像模型中的任何其他参数一样估计分区函数。同时，我们可以通过优化代数简单且定义明确的目标函数来进行估计，从而允许使用专用优化方法。最后，我们从计算效率的角度考虑了相对于给定数据量的最佳辅助样本量。

Mar, 2012

研究提出了一种更高效的密度估计方法，从而解决了一些复杂的生成学习算法中难以估计模型质量的问题，并证明其提供了真实测试对数似然的下界和无偏估计，同时还提出了一种偏差估计的变体，可以在有限的样本数下可靠地用于模型比较。

Nov, 2013

本文提出了一种新的密度估计方法 —— 深度密度模型（DDM），能够快速计算测试数据的归一化密度、生成样本并描述数据的联合熵。

Feb, 2013

利用深度神经网络学习目标函数的深度非参数回归近年来成为研究的焦点，尽管在理解收敛速度方面取得了相当的进展，但缺乏渐近性质阻碍了严格的统计推断。为填补这一空白，我们提出了一种新的框架，将深度估计范式转化为一种有利于条件均值估计的平台，利用条件扩散模型。在理论上，我们为条件扩散模型开发了端到端的收敛速度，并建立了生成样本的渐近正态性。因此，我们可以构建置信区间，便于进行鲁棒的统计推断。此外，通过数值实验，我们在实践中检验了我们提出的方法的有效性。

May, 2024

本研究提供了一种模拟算法，能够从黑盒格式的 (多变量) 特征函数中进行模拟。我们构建了一个生成式神经网络，其损失函数利用最大均值差异度指标的特定表示直接融入目标特征函数。这种构建方式具有普遍性，不受维度限制，并且不需要对给定特征函数作任何假设。此外，还导出了关于最大均值差异度指标的逼近质量的有限样本保证。该方法在一个简短的模拟研究中进行了说明。

Jan, 2024