基于模拟的方法对于统计推断发展迅速，过去 50 年随着技术进步，如今它又迎来一次革命，利用神经网络、优化库和图形处理器进行学习数据和推断目标之间复杂映射，从而快速实现推断。本文回顾了最近在点估计、近似贝叶斯推断、自动构建摘要统计以及似然函数近似等方面取得的进展。综述还包括可用的软件，并通过一个简单实例展示了可用于快速推断的工具及其比起最先进的马尔可夫链蒙特卡洛方法所带来的好处。文章最后总结了相关主题，展望了未来的研究方向。

Apr, 2024

我们提出了一种综合多角度的方法，将敏感性分析集成到摊销的贝叶斯推理中，并在应用建模问题中展示了其有效性。

Oct, 2023

通过使用模型模拟，摊销贝叶斯推理训练神经网络以解决随机推理问题，从而实现对新观察到的任何数据的快速贝叶斯推理。我们提出了一种新的摊销推理方法 ——Simformer，通过训练具有变压器架构的概率扩散模型，克服了当前模拟为基础的摊销推理方法的局限性，且在基准任务上优于当前最先进的摊销推理方法，具有更大的灵活性，可以应用于具有函数值参数的模型，处理具有缺失或非结构化数据的推理场景，并能够采样参数和数据的任意条件联合分布，包括后验和似然函数。我们展示了 Simformer 在生态学、流行病学和神经科学的模拟器上的性能和灵活性，并证明它为基于模拟的模型上的摊销贝叶斯推理打开了新的可能性和应用领域。

Apr, 2024

研究了 Bayesian 推断中一种新的方法 —— 摊销贝叶斯推断的鲁棒性，提出了一种基于 Fisher 信息的正则化方案，实验结果表明该方案可以提高模型对干扰攻击的抵抗力。

May, 2023

本文提出了一种基于深度神经网络参数化的先验分布方法，通过学习贝叶斯逆映射实现了实时推理。经过基准问题的验证，该方法的后验估计与马尔可夫链蒙特卡罗方法的对应结果一致，并在前向传递神经网络的代价下提供了观测的后验参数。

May, 2023

使用全局诱导点变分逼近来构造一系列条件分布，从而准确地对真实后验分布进行近似，其中诱导输入可以被实际数据替代，使变分分布由每个数据点的近似似然组成，从而实现了基于完整数据点的均摊推断。

Oct, 2023

该论文介绍了贝叶斯流网络（BFNs），这是一种新的生成模型，通过贝叶斯推理修改一组独立分布的参数，然后将其作为输入传递给神经网络，输出第二个相互依赖的分布。BFNs 在连续数据、离散化数据和离散数据等方面有效，并在图像建模和字符级语言建模任务中实现了有竞争力的对数似然值。

Aug, 2023

在本文中，我们提出了一种更数据高效的概率元学习方法，通过对贝叶斯神经网络的推理进行逐数据点摊销，引入了摊销伪观测变分推理贝叶斯神经网络（APOVI-BNN）。我们展示了在我们的摊销方案下获得的近似后验与传统变分推理获得的近似后验在质量上是相似或更好的，尽管摊销推理是在单个前向传递中执行的。然后，我们讨论了如何将 APOVI-BNN 看作神经过程家族的新成员，以此作为激励使用神经过程训练目标，以实现在复杂问题上更好的预测性能。最后，我们评估了 APOVI-BNN 在一维回归问题和更复杂的图像完成设置中与其他概率元模型的预测性能，在训练数据有限的情况下，我们的模型在同类模型中表现最好。

Sep, 2023

近年来，由于计算能力的提高和灵活性的增强，模拟模型在经济学中变得越来越普遍。本文提出了一种使用深度神经网络构建类似于似然函数的近似方法以进行贝叶斯估计的方法，用于解决传统频率学派估计方法难以解决的问题，并对其进行了检验。总的来说，我们发现我们提出的方法在金融异质代理模型的估计以及模型中变化动力学的识别等多种情境下，能够持续地获得更准确的估计结果。

Jun, 2019

本研究提出了一种称为 DAG-GFlowNet 的方法，使用 Generative Flow Networks 代替 MCMC 来近似推断 Bayesian 网络结构的后验分布。实验结果表明，DAG-GFlowNet 能够提供准确的 DAG 后验近似，并且相对于 MCMC 或变分推断等方法具有优势。

Feb, 2022