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

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。

May, 2023

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

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

基于模拟的推断（SBI）不断寻找更具表现力的算法，以准确地从嘈杂的数据中推断出复杂模型的参数。我们提出了神经后验估计的一致性模型（CMPE），这是一种用于可扩展、快速和分摊的 SBI 的新型无限制条件采样器，具有生成式神经网络。CMPE 将正态流和流匹配方法的优点融合到一个单一的生成式架构中：它本质上提炼出一个连续概率流，并能够通过一个未受限制的架构进行快速的少样本推断，以适应估计问题的结构。我们的实证评估证明，CMPE 不仅在三个困难的低维问题上优于当前最先进的算法，而且在高维贝叶斯去噪实验和对计算要求严格的肿瘤球体生长的多尺度模型估计中也取得了竞争性的性能。

Dec, 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

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

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

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