文中介绍了一种基于神经网络的 SBI 算法，能够利用科学原理通过黑盒模拟器进行精确推断，并解决了单一最优解的限制，从而实现全参数空间后验分布的估计。
Jul, 2020
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。
May, 2023
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
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
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
通过学习预期效用（或其分布）作为动作和数据空间的函数的代理模型，我们提出了一个高效计算在难以计算的似然函数下的最优贝叶斯决策的框架。我们利用基于模拟的推断和贝叶斯优化的最新进展，开发了主动学习方案来选择参数和动作空间中要模拟的位置，从而尽可能少地进行模拟来学习最优动作。该框架非常高效，通常需要的模型调用次数比相关的后验推断任务少，并且比基于蒙特卡洛方法的方法高出 100-1000 倍。我们的框架为进行贝叶斯决策提供了新的能力，特别是在似然函数难以处理且模拟昂贵的挑战性领域。
Nov, 2023
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
在模拟基础推理中，我们研究了模拟程序不准确表示真实系统行为对推理结果的影响，并提出了一种能够可靠检测模型错误规范性的新度量标准。实验证明，这个度量标准对于警示用户可疑输出、当预测结果不可靠时发出警告，并引导模型设计者寻找更好的模拟器具有很大的实用性。
Jun, 2024
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。
模拟推理方法及其神经网络算法在处理具有数值模拟可行性但似然函数难以计算的问题中涉及到的后验分布估计。尽管现有方法在处理低维问题时表现出色，但本文提出的先决条件神经后验估计方法通过结合近似贝叶斯计算方法有效地改善了对大参数空间下的模型的后验分布训练精度。