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

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

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

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

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

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

本文综述了最近在机器学习和计算统计学领域提出的两类解决元数据分析中基于独立假设的马尔科夫链蒙特卡罗方法的方法：分而治之的方法和基于子采样的算法，并提出了一种新颖的基于子采样的方法，并在某些统计模型的有利情况下，每次迭代可以要求少于 $O (n)$ 数量级的数据点似然性评估，然而，在目标后验分布的 Bernstein-von Mises 逼近存在缺陷的情况下，我们目前只能提出能在基于子采样的方法中表现良好的方法，而在其他情况下这仍然是一个未解决的挑战。

May, 2015

本研究提出了一种基于后验模拟的隐式模型先验和神经网络的元均账后验推断方法，用于系统地选择模型组件以及实现参数推断。研究表明此方法对于发现数据一致的模型配置，估计参数以及识别非可识别模型组件等方面能够提供有力的工具，有效地促进了数据驱动模型的复杂性建造与推断。

May, 2023

本文提出基于正则化流（Normalizing Flows，NF）的多维条件（后验）概率密度估计的易于解释的验证诊断方法，并提供了基于局部相容性结果的理论保证。该工作可用于检查、分析和保证估计器的一致行为，并以计算神经科学的上下文中涉及紧密耦合参数的具有挑战性的例子进行说明。

Nov, 2022