本文提出了一种基于贝叶斯优化 (Bayesian optimization) 和高斯过程 (Gaussian processes) 的 ABC (Approximate Bayesian computation) 后验分布估计方法，通过计算 ABC 后验密度的不确定性来定义损失函数，并选择下一个评估位置以最小化期望损失。实验表明，该方法通常比常见的 BO 策略产生更准确的近似。

Apr, 2017

通过训练深度神经网络，本研究旨在构建可靠的摘要统计信息，以近似表示参数的后验平均值，以提高 ABC 方法在模型参数推断中的精度和效率。在 Ising 模型和移动平均模型中，我们的方法构建的摘要统计量在精度上不仅匹配了理论上的最优摘要统计量，而且超出了其精度。

Oct, 2015

本研究提供了一种新的基于核回归的框架方法，使用随机傅里叶特征来实现大规模核学习，以选择合适的问题特定摘要统计量来近似真实条件概率分布，该方法在近似贝叶斯计算中有杰出表现。

Feb, 2016

本文提供了综合评估和比较 ABC 文献中提出的主要降维方法的表现，并引入了两种新的降维方法：基于 Akaike 和 Bayesian 信息准则的最佳子集选择方法和使用岭回归作为正则化程序的方法。我们通过分析三个具有挑战性的模型和数据集来说明这些维​​度规约技术的性能。

Feb, 2012

本文探讨了基于回归密度估计技术的方法来近似似然函数，该方法可促进贝叶斯推断及频率学推断。该方法在推断特殊极端值问题中进行了实证研究，实现了贝叶斯推断和频率学推断。

Dec, 2012

本文介绍了在 Approximate Bayesian Computation 中使用 summary statistics 的重要性，以及如何选择低维度的摘要来提高模型参数推断的效果并避免由高维度数据引起的 dimensionality curse 问题，同时讨论了该问题的理论结果和 Sufficiency 相关的内容。

Dec, 2015

该论文提出了一种基于回归 ABC 和顺序 ABC 相结合的简单而有效的近似贝叶斯计算算法，该算法通过逐步学习一个能够用现有方法准确学习的辅助分布，然后在高斯联合分布的帮助下学习所需后验分布，该算法随着手头数据的变化自适应地改变模型复杂度，实验结果表明该方法快速、准确、易于使用。

Feb, 2019

本文介绍了一种基于 kernel 的 ABC 方法，它能够应对需要使用多个总结统计量的复杂问题，并表现出高效的推理性能。

May, 2012

本文介绍了一类基于 ABC 思路的近似方法，着重于处理那些观测和参数似然不易求得的时间序列模型，并保持了原始统计模型的概率结构，为参数推断提供了一种分析近似偏差和适应计算方法的新途径。

Jan, 2014

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