该研究利用基于仿真的推断方法解决了如何在随机模拟器上进行贝叶斯决策，并且通过训练神经网络预测期望成本，以推断具有最低成本的行动。
Dec, 2023
使用贝叶斯神经网络框架进行 SBI 的训练，涉及宇宙微波背景的推断，并引入 cosmoSWAG 以缓解数据迁移问题。
Jul, 2022
使用结构化概率分布的混合模型，提供了逼真的后验推断，相较于基于神经网络的仿真推断方法，在计算上具有更小的足迹，对于具有复杂模型和难以计算的似然函数的贝叶斯推断提供了一个可行的选择。
Mar, 2024
在非线性模型中，我们提出了一种基于模拟推理和分数网络的方法，利用多个观测值的共享信息来更好地推断模型的参数，并在各种数值实验中证明了其在数值稳定性和计算成本方面的优越性。
Apr, 2024
通过将神经近似引入 ABC 中，我们提出了伪似然推理 (Pseudo-Likelihood Inference, PLI) 方法，使其在具有挑战性的贝叶斯系统识别任务中具有竞争力，并且相比于 SNPE，在更多数据可用时表现出更好的性能。
Nov, 2023
提出了一种通过惩罚那些增加数据和模型之间不匹配度的统计量的正则化损失函数作为一般性方法来处理模型错误规范问题，从而在 SBI 过程中获取稳健的推断结果。
May, 2023
通过模拟、逆问题和统计推断方法，研究了心血管系统的仿真，估计心血管生理参数的不确定性，并发现新的临床生物标志物。同时，讨论了心血管模拟对实际数据分析的应用和局限。
Jul, 2023
引入校准项到神经模型的训练目标中，通过放松经典校准误差公式，我们提出了一种方法来解决现有算法对后验不确定性估计准确性的挑战，该方法适用于现有计算流程，实现可靠的黑盒后验推断，并在六个基准问题上经验证明具有竞争性或更好的结果。
Oct, 2023
本研究提出了一种基于神经网络的 ACE 方法，通过代替可能过于严格的贝叶斯后验分布，使用适应数据的成本函数来进行科学模拟器的仿真推断，从而同时减少了计算成本和提高了精度。
介绍了一种名为 “基于模拟的校准（SBC）” 的通用过程，可验证使用贝叶斯算法生成后验样本的推断的正确性和一致性，并提供可指示问题性质的图形总结。
Apr, 2018