- 通过数据驱动校准解决模拟推断中的错误规范
通过引入鲁棒后验估计 (ROPE)，克服了模型错误配置，ROPE 在真实世界校准集的基础上提供了具有可控平衡的校准不确定性和信息丰富的推断，通过解决真实观测和模拟观测之间的最优运输问题确保了模拟基于推理的可靠性。
- 用 Autograd 建模测试统计量的抽样分布
基于模拟的推断方法需要准确建模 p 值函数或测试统计量的累积分布函数，通过使用神经网络模型近似采样分布以建模一维条件采样分布，从而提供可行的概率密度比方法的替代方案。
- 高维数据环境下基于模拟的推断的扩散后验采样
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。
- 高效、准确、轻量级的基于高斯局部线性映射的连续仿真推理
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。
- 基于分位数回归的模拟推断
我们提出了基于神经量位估计（NQE）的一种新型基于模拟的推断（SBI）方法，它基于条件分位数回归。NQE 通过对数据和先前后验维度进行条件分位数自回归学习，为每个后验维度单独学习一维分位数。使用单调立方 Hermite 样条通过插值预测的分 - 大规模和快速基于仿真的推论的一致性模型
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 - 基于摊还的贝叶斯决策模拟建模
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。
- 伪似然推断
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。
- 融合还是失去：多模态基于仿真推理的深度融合
通过多模态神经后验估计（MultiNPE）方法，我们整合来自不同来源的异构数据，利用神经网络进行基于模拟的推断。通过受到注意力机制深度融合学习的启发，研究人员能够分析来自不同领域的数据，通过增加精确性来推断复杂数学模型的参数。我们为 Mul - 基于最优模拟的贝叶斯决策
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 - 基于贝叶斯模拟推断的宇宙初始条件
通过基于模拟的推理和自回归建模的多功能贝叶斯场重建算法，我们展示了对宇宙学初条件从晚期密度场中的恢复的初步有希望的结果。
- 基于模拟的堆叠
使用可证明的渐近保证，我们提出了一种通用的堆叠方法，能够结合多个后验近似，融合密度、模拟抽样、置信区间和矩，同时解决整体精度、校准、覆盖率和偏差的问题。我们通过几个基准模拟和具有挑战性的宇宙学推断任务来说明我们的方法。
- ICMLSimBIG：基于场的仿真推断星系聚类
我们首次提出了基于模拟的宇宙学参数的推导方法，通过对星系聚类的场级分析。使用正常化流的模型以及卷积神经网络进行了星系场数据的大量压缩，我们得到了对宇宙学参数的约束，包括了非高斯信息。这项工作不仅提供了强有力的宇宙学约束，还介绍了未来星系调查 - 利用可微的覆盖概率校准神经仿真推断
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。
- ICML基于模拟的推断与广义 Kullback-Leibler 散度
在基于模拟的推断中，我们提出了一种通用的 Kullback-Leibler 散度优化方法，可以处理非规范化分布，将常用的神经后验估计方法和神经比率估计方法统一为一个目标，并研究了一个混合模型，通过学习规范化基础分布和学习比率来同时发挥两者的 - 基于模拟推理的循序神经似然估计方法
通过 Surjective Sequential Neural Likelihood（SSNL）估计，我们提出了一种新的方法，用于在评估似然函数不可行且仅可使用生成合成数据的模拟器的模型中进行基于模拟的推断。SSNL 采用一个降维的满射标准 - 基于仿真的心血管模型推理
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。
- ICML用于基于模拟推断的随机梯度贝叶斯最优实验设计
本研究通过互信息边界建立了基于比率的模拟推理和基于随机梯度的变分推理之间的重要联系，将 Bayesian Optimal Experimental Design 方法扩展到 SBI 应用程序中，实现了实验设计和摊销推理函数的同时优化。
- L-C2ST: 模拟推理中后验逼近的本地诊断
本文介绍了一种名为 L-C2ST 的新方法，可对后验估计器进行本地评估，该方法在标准 SBI 基准测试中提供与 C2ST 相当的结果，并优于 HPD 等替代本地方法。
- 可扩展仿真推断的流匹配
提出了流匹配后验概率估计（FMPE）方法，使用连续正则化流实现了基于模拟的推断任务，较于离散流，在保持精度的情况下，提供了更高的灵活性和可伸缩性。在模拟数据集上取得了有竞争力的性能，而在重力波推断任务中，FMPE 方法的训练速度比离散流方法