首页/论文/1802.08404

arXiv 1802.084042018-02stat.ML

核递归ABC：似然不可解的点估计

Kernel Recursive ABC: Point Estimation with Intractable Likelihood

Takafumi Kajihara, Motonobu Kanagawa, Keisuke Yamazaki, Kenji Fukumizu

备注：: to appear in ICML 2018. 18 pages

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

提出了一种新的基于模拟器的统计模型的参数估计方法。我们提出的方法涉及递归应用核ABC和内核放牧相同的观测数据。我们提供了一个理论上的解释，为什么这种方法的工作原理，显示（人口设置），在一定的假设下，用这种方法获得的点估计收敛到真正的参数，递归的收益。我们已经进行了各种数值实验，包括参数估计的真实世界的行人流模拟器，并表明，在大多数情况下，我们的方法优于现有的方法。

英文摘要：

We propose a novel approach to parameter estimation for simulator-based statistical models with intractable likelihood. Our proposed method involves recursive application of kernel ABC and kernel herding to the same observed data. We provide a theoretical explanation regarding why the approach works, showing (for the population setting) that, under a certain assumption, point estimates obtained with this method converge to the true parameter, as recursion proceeds. We have conducted a variety of numerical experiments, including parameter estimation for a real-world pedestrian flow simulator, and show that in most cases our method outperforms existing approaches.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

具有难处理似然的状态空间模型中快速近似推理的贝叶斯优化

Bayesian optimisation for fast approximate inference in state-space models with intractable likelihoods

本文研究了具有难处理似然的非线性状态空间模型的近似贝叶斯参数推断问题。具有近似贝叶斯计算的序贯蒙特卡罗（SMC-ABC）是一种用于近似这种类型的模型中的可能性的方法。然而，这种近似可能是有噪声的并且计算成本高，这阻碍了使用基于优化和蒙特卡罗方法的标准方法的有效实现。我们提出了一种计算效率高的新方法的基础上结合高斯过程优化和SMC-ABC创建一个拉普拉斯近似的棘手后。我们将所提出的算法用于随机波动率模型的推理，同时使用合成数据和真实数据，以及使用Copula模型估计两个投资组合的风险价值。我们的文件之间的一个和两个数量级的速度相比，国家的最先进的后验推理算法。

2017-06-13q-fin.RMstat.COstat.ML

K2-ABC：核嵌入的近似贝叶斯计算

K2-ABC: Approximate Bayesian Computation with Kernel Embeddings

University College London（伦敦大学学院）；University of Oxford（牛津大学）；University of Amsterdam（阿姆斯特丹大学）

复杂的生成模型通常会导致计算观测数据的可能性是棘手的，而从给定参数值的条件密度进行模拟相对容易。近似贝叶斯计算（ABC）是一种范式，它通过测量模拟和观察数据之间的相似性，在这种情况下，使基于模拟的后验推理在一组选定的汇总统计。然而，没有一般规则来为复杂模型构建足够的汇总统计量。不充分的汇总统计量将“泄漏”信息，这导致ABC算法从不正确的（部分）后验中产生样本。在本文中，我们提出了一个完全非参数ABC范式，它避免了手动选择汇总统计量的需要。我们的方法，K2-ABC，使用最大平均差异（MMD）作为观测数据和模拟数据的分布之间的相异性度量。MMD很容易估计为它们的经验内核嵌入之间的平方差。模拟场景和现实世界的生物问题的实验表明，该算法的有效性。

2015-12-26cs.LGstat.ML

分数匹配神经指数族的无似然推理

Score Matched Neural Exponential Families for Likelihood-Free Inference

贝叶斯似然自由推断（LFI）方法允许通过依赖于模型模拟来获得具有难处理似然的随机模型的后验分布。在近似贝叶斯计算（ABC）中，一种流行的LFI方法，汇总统计量被用来减少数据的维度。ABC算法自适应地根据观察量调整模拟，以便从近似后验中采样，其形式取决于所选择的统计量。在这项工作中，我们引入了一种新的方法来学习ABC统计：我们首先从模型中独立地生成参数模拟对，然后，我们使用分数匹配来训练一个神经条件指数族来近似似然。指数族是具有固定大小充分统计量的最大类分布;因此，我们在ABC中使用它们，这在直观上很吸引人，并且具有最先进的性能。与此同时，我们将我们的似然近似插入MCMC中，用于双重棘手的分布以绘制后验样本。我们可以对任何数量的观测重复这一过程，而无需额外的模型模拟，其性能与相关方法相当。我们验证我们的方法与已知的可能性和一个大的多维时间序列模型的玩具模型。

2022-01-31stat.MEstat.ML

无似然近似吉布斯抽样

Likelihood-free approximate Gibbs sampling

似然自由方法，如近似贝叶斯计算（ABC）已经扩展了统计推断的范围与计算棘手的似然问题。这种方法对于小到中等维度的问题表现良好，但是在模型参数的数量上遭受维度灾难。我们引入了一个似然自由近似吉布斯采样器，自然地绕过了维数问题，专注于低维条件分布。这些分布是由灵活的回归模型估计，无论是在采样器运行之前，或自适应采样器的实施过程中。因此，与基于Metropolis-Hastings的方法相比，我们能够拟合比其他方法更具挑战性的统计模型。我们通过两个模拟示例展示了采样器的性能，并使用包含13，140个参数的棘手高维多变量非线性状态空间模型对Airbnb租金价格进行了真实分析，这对标准ABC技术提出了真正的挑战。

2019-06-11stat.COstat.MEstat.ML

延迟验收ABC-SMC

Delayed acceptance ABC-SMC

近似贝叶斯计算（ABC）现在是一种用于统计推断的已建立的技术，在似然函数在计算上昂贵或不可用的情况下使用。它依赖于以~模拟器形式指定的~模型的使用，并通过模拟辅助数据集$x$并评估$x$与真实数据$y$的距离来近似~参数值$θ$处的似然性。然而，在对每个$θ$使用模拟器非常昂贵的情况下，ABC在计算上不可行。本文研究这种情况下，一个~便宜，但近似的，模拟器是可用的。该方法是在ABC序贯蒙特卡罗（SMC）采样器中采用延迟接受马尔可夫链蒙特卡罗（MCMC），以便在内核的第一阶段中，使用廉价的模拟器来排除参数空间中不值得探索的部分，因此，“真”模拟器仅在有合理机会接受$θ$的建议值的情况下运行（在内核的第二阶段）。我们表明，这种方法可以使用相当自动，调整参数很少。应用随机微分方程模型和潜在的双重棘手的分布。

2020-05-31physics.data-anstat.APstat.CO

基于总体蒙特卡罗和分类的近似贝叶斯计算

Approximate Bayesian Computation via Population Monte Carlo and Classification

Aalto University（阿尔托大学）

近似贝叶斯计算（ABC）方法可以用来从后验分布采样时，似然函数是不可用的或棘手的，通常是在生物系统中的情况。ABC方法的缺点是在高维度上的粒子建议效率低下，以及在汇总统计量、差异度量和误差容限的选择上的主观性。序贯蒙特卡罗（SMC）方法已经与ABC结合以提高粒子提议的效率，但是受到主观性的影响并且需要从似然函数进行许多模拟。LFIRE（Likelihood-Free Inference by Ratio Estimation）利用分类直接估计后验密度，但没有有效地探索参数空间。这项工作提出了一种分类方法，近似人口蒙特卡罗（PMC），其中模型类概率从分类用于更新粒子权重。这种方法称为Classification-PMC，融合了自适应建议和分类，有效地从后验中产生样本，而没有主观性。我们通过模拟研究表明，分类PMC优于两个国家的最先进的方法：比估计和SMC ABC时，它是计算上难以模拟的可能性。

2019-11-30cs.LGstat.ML

更多相关论文收起更多论文

领域专家参与的近似贝叶斯计算

Approximate Bayesian Computation with Domain Expert in the Loop

Aalto University（阿尔托大学）；University of Manchester（曼彻斯特大学）

近似贝叶斯计算（ABC）是一种流行的似然自由推理方法，适用于具有复杂似然函数的模型。由于ABC方法通常依赖于比较观察数据和模拟数据的汇总统计量，因此统计量的选择至关重要。这种选择涉及信息损失和降维之间的权衡，并且通常基于领域知识来确定。然而，手工制作和选择合适的统计数据是一项艰巨的任务，涉及多个试错步骤。在这项工作中，我们引入了一种主动学习方法ABC统计选择，大大减少了领域专家的工作。与现有的降维方法不同，通过专家的参与，我们能够处理错误指定的模型。此外，实证结果显示更好的后验估计比现有的方法，当模拟预算是有限的。

2022-06-20cs.LGstat.ML

DR-ABC：基于核函数分布回归的近似贝叶斯计算

DR-ABC: Approximate Bayesian Computation with Kernel-Based Distribution Regression

University of Oxford（牛津大学）

在复杂的生成模型中执行精确的后验推理通常是困难的或不可能的，这是由于昂贵的评估或棘手的似然函数。近似贝叶斯计算（ABC）是一种推理框架，它基于观察数据和模拟数据之间的相似性（由一组预定义的汇总统计量测量）构建真实可能性的近似值。虽然选择适当的特定问题的汇总统计量至关重要的影响质量的似然近似，因此也在ABC后验样本的质量，只有少数原则性的通用方法来选择或建设这样的汇总统计量。在本文中，我们开发了一个新的框架，这项任务使用基于内核的分布回归。我们使用基于核的分布回归模型的数据分布和最佳选择（相对于损失函数）的汇总统计量之间的函数关系。我们表明，我们的方法可以实现在计算和统计上有效的方式使用随机傅立叶特征框架的大规模内核学习。除此之外，与玩具和现实世界问题的相关方法相比，我们的框架表现出卓越的性能。

2016-02-15cs.LGstat.COstat.ME

用于贝叶斯参数推断的ABC随机森林

ABC random forests for Bayesian parameter inference

此预印本已由进化生物学同行社区（http：//dx.doi.org/10.24072/pci.evolbiol.100036）审查和推荐。近似贝叶斯计算（ABC）已经发展成为一个标准的方法，管理贝叶斯推断的模型与棘手的似然函数。大多数ABC实现需要初步选择汇总原始数据的信息统计向量。此外，在几乎所有现有的实现中，需要校准将模拟参数值的接受与拒绝分开的容限水平。我们建议进行无似然贝叶斯推断的参数，没有事先选择的相关组件的汇总统计量和绕过相关的公差水平的推导。该方法依赖于Breiman（2001）在（非参数）回归设置中应用的随机森林方法。我们主张为感兴趣的参数向量的每个分量导出一个新的随机森林。当与早期的ABC解决方案相比，该方法提供了显着的收益，在鲁棒性的汇总统计量的选择，不依赖于任何类型的公差水平，是一个很好的权衡点估计精度和可信区间估计的质量，对于给定的计算时间。我们说明了我们的方法建议的性能，并将其与早期的ABC方法进行比较，一个正常的玩具的例子和人口遗传学的例子处理人类人口的进化。这里设计的所有方法都已被合并到CRAN上提供的R包abcrf（版本1.7）中。

2018-11-02stat.COstat.MEstat.ML

BSL：基于贝叶斯合成似然法的基于仿真模型的有效参数估计的R包

BSL: An R Package for Efficient Parameter Estimation for Simulation-Based Models via Bayesian Synthetic Likelihood

贝叶斯合成似然（Bayesian synthetic似然函数，BSL）是一种用于估计复杂统计模型和随机过程的参数后验分布的常用方法。BSL通过模型模拟和密度估计来近似一个明智选择的数据汇总统计量的可能性，而不是评估可能性。与近似贝叶斯计算（ABC）等替代方法相比，当所选汇总统计量为高维时，BSL需要很少的调整，并且需要比ABC更少的模型模拟。原始的合成似然依赖于一个多元正态近似的棘手的可能性，其中的平均值和协方差估计模拟。BSL的扩展考虑用惩罚协方差估计量替换样本协方差，以减少所需模型模拟的数量。此外，半参数方法已被开发来放松正态性假设。在本文中，我们提出了一个名为BSL的R包，它将上述方法合并到一个单一的，易于使用的和连贯的软件中。R包还包括几个示例来说明如何使用该包并演示方法的实用性。

2019-07-25stat.APstat.COstat.ML

基于深度神经网络的近似贝叶斯计算学习汇总统计量

Learning Summary Statistic for Approximate Bayesian Computation via Deep Neural Network

近似贝叶斯计算（ABC）方法用于近似具有未知或计算上难以处理的似然模型中的后验分布。ABC的准确性和计算效率都取决于汇总统计量的选择，但在已知最佳汇总统计量的特殊情况之外，尚不清楚可以使用哪些指导原则来构建有效的汇总统计量。在本文中，我们探索了通过训练深度神经网络来自动化构建汇总统计量的过程的可能性，以从人工生成的数据中预测参数：所得到的汇总统计量近似为参数的后验均值。通过最小的模型特定调整，我们的方法为伊辛模型和移动平均模型构建了汇总统计量，这些模型在所得后验的准确性方面匹配或超过了理论激励的汇总统计量。

2017-03-16stat.COstat.MEstat.ML

关于似然系数为双难处理的贝叶斯推断的Russian Roulette估计

On Russian Roulette Estimates for Bayesian Inference with Doubly-Intractable Likelihoods

大量的统计模型是“双重难处理的”：似然归一化项是模型参数的函数，是难处理的，边际似然（模型证据）也是如此。这意味着不能使用从后验中采样的标准推断技术，例如马尔可夫链蒙特卡罗（MCMC）。示例包括但不限于大规模高斯马尔可夫随机场、自逻辑模型和指数随机图模型。一些近似方案的基础上MCMC技术，近似贝叶斯计算（ABC）或分析近似后，已被建议，这些在这里进行审查。精确的MCMC计划，它可以应用于一个子集的双重棘手的分布，也已经开发，本文所描述的。到目前为止，还没有一种通用的方法可以适用于所有类型的模型与双重棘手的后验。此外，从物理学文献的启发，我们研究了一种替代方法的基础上表示的棘手的可能性作为一个无穷级数。然后，通过俄罗斯轮盘抽样对序列进行有限时间随机截断，可以获得可能性的无偏估计，尽管估计值不一定是正的。从量子色动力学文献的结果被利用，允许使用可能是负的估计在一个伪边缘MCMC计划，这样的期望相对于后验分布被保存。该方法进行了审查，如伊辛模型中的参数，后的$d$ -Sphere和一个大规模的高斯马尔可夫随机场模型描述的臭氧柱数据的费舍尔-宾汉分布的知名的例子。这导致对方法的优点和缺点进行严格评估，并指出正在进行的研究。

2015-12-10stat.COstat.MEstat.ML

非线性状态空间模型递推极大似然估计的渐近性质

Asymptotic Properties of Recursive Maximum Likelihood Estimation in Non-Linear State-Space Models

使用随机梯度搜索和最优滤波器导数，可以执行递归（即，在线）非线性状态空间模型中的极大似然估计。由于这种模型的最优滤波器及其导数在解析上是难以处理的，因此需要对它们进行数值近似。在[Poyiadjis，Doucet and Singh，Biometrika 2018]中，提出了一种基于粒子逼近最佳滤波器导数的递归最大似然算法，并通过数值模拟进行了研究。本文对该算法及其渐近行为进行了理论分析。我们表明，该算法准确地估计最大值的基本（平均）的对数似然粒子的数量是足够大时。我们还推导出（相对）紧界的估计误差。所得到的结果保持在（相对）温和的条件下，并涵盖了几类非线性状态空间模型在实践中遇到的。

2021-01-02math.OCmath.STstat.ML

基于贝叶斯条件密度估计的仿真模型快速无$ε$推理

Fast $ε$-free Inference of Simulation Models with Bayesian Conditional Density Estimation

University of Edinburgh（爱丁堡大学）

许多统计模型可以向前模拟，但具有难以处理的可能性。近似贝叶斯计算（ABC）的方法来推断这些模型的属性从数据。传统上，这些方法通过在观测数据周围的$ε$球内调节数据来近似后验参数，这仅在极限$ε\!\rightarrow\!0$中是正确的。然后，蒙特卡罗方法可以从近似后验中抽取样本，以近似预测或参数的误差条。这些算法作为$ε\!\rightarrow\!0$严重减慢，并且在实践中从比后验更广泛的分布中抽取样本。提出了一种基于贝叶斯条件密度估计的无似然推理方法。基于有限的仿真数据的初步推断用于指导以后的仿真。在某些情况下，学习整个真实后验分布的准确参数表示需要比蒙特卡罗ABC方法从近似后验产生单个样本所需的模型模拟更少。

2018-04-02cs.LGstat.COstat.ML

基于仿真器的统计模型的模型选择：核方法

Model Selection for Simulator-based Statistical Models: A Kernel Approach

NEC Corporation（日本电气公司）；RIKEN AIP（理化学研究所先进智能项目中心）；National Institute of Advanced Industrial Science and Technology（产业技术综合研究所）；University of Tübingen（蒂宾根大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；The Institute of Statistical Mathematics（统计数理研究所）

提出了一种基于模拟器的统计模型模型选择的新方法。所提出的方法定义了一个混合的候选模型，然后迭代更新这些模型的权重系数，以及在每个模型中的参数同时，这是通过递归地应用贝叶斯规则，使用最近提出的内核递归ABC算法。该方法的实际优点是，即使建模者缺乏关于每个模型中的参数的适当先验知识，也可以使用该方法。我们证明了所提出的方法的有效性与一些实验，包括生态学和流行病学的动力系统的模型选择。

2019-02-07cs.LGstat.ML

基于非参数分布匹配的免似然自适应贝叶斯推断

Likelihood-Free Adaptive Bayesian Inference via Nonparametric Distribution Matching

Stanford University（斯坦福大学）

本文提出自适应贝叶斯推断（ABI）框架，通过边缘增广切片Wasserstein距离将后验分布比较转化为一维条件分位数回归，并结合自适应拒绝采样迭代细化后验近似，在高维和相依观测场景下显著优于现有免似然方法。

2025-05-07cs.LGstat.COstat.ME

伪似然推断

Pseudo-Likelihood Inference

German Research Center for AI (DFKI)（德国人工智能研究中心）；Centre for Cognitive Science（认知科学中心）；Technical University of Darmstadt（达姆施塔特工业大学）；Bosch Center for Artificial Intelligence（博世人工智能中心）

本文提出伪似然推断（PLI），将神经逼近与积分概率度量引入 ABC，通过自适应带宽的平滑似然核和信任区域更新，实现无需汇总统计量的梯度下降后验优化，并在多观测数据、随机仿真及多模态后验场景下优于 SNPE。

2023-11-28cs.LGstat.ML

基于比率估计的动态无似然推理（DIRE）

Dynamic Likelihood-free Inference via Ratio Estimation (DIRE)

University of Edinburgh（爱丁堡大学）

根据随机数据生成过程隐式定义的参数统计模型用于广泛的科学学科中，因为它们能够进行准确的建模。然而，从观测数据学习参数通常是非常困难的，因为它们的似然函数通常是难以处理的。无似然贝叶斯推断方法已经被提出，其中包括近似贝叶斯计算（ABC），合成似然，其最近的推广，执行无似然推理比估计（LFIRE）的框架。所有这些方法的一个主要困难是选择汇总统计量，减少数据的维数，以便于推断。虽然已经提出了几种方法来选择汇总统计ABC，文献合成似然和LFIRE是非常薄的日期。我们在这里解决这个差距在文献中，专注于重要的特殊情况下的时间序列模型。我们表明，卷积神经网络训练预测输入参数的数据提供合适的汇总统计LFIRE。在广泛的时间序列模型，一个单一的神经网络架构产生同样或更准确的后验比其他方法。

2018-10-23cs.LGstat.COstat.ME

用于无似然推断的预条件神经后验估计

Preconditioned Neural Posterior Estimation for Likelihood-free Inference

School of Mathematical Sciences, Queensland University of Technology（昆士兰科技大学数学科学学院）；Centre for Data Science, Queensland University of Technology（昆士兰科技大学数据科学中心）

针对低维问题中神经后验估计（NPE）准确性不足的问题，提出预条件NPE（PNPE）及其序列版本（PSNPE），利用短暂运行的ABC剔除高差异参数区域以提升后验训练精度，并在多实验中验证了其性能提升。

2024-04-21cs.LGstat.ML

生成式贝叶斯滤波与参数学习

Generative Bayesian Filtering and Parameter Learning

本文提出生成式贝叶斯滤波（GBF）框架，将生成式贝叶斯计算扩展到动态状态空间模型，并引入生成式-Gibbs采样器进行参数学习，在不可处理密度场景下显著优于现有免似然方法。

2025-11-06stat.COstat.MEstat.ML

模型误设下基于模拟的推理的鲁棒统计量学习

Learning Robust Statistics for Simulation-based Inference under Model Misspecification

Aalto University（阿尔托大学）；Federal Institute of Ceará（塞阿拉联邦学院）；University of Helsinki（赫尔辛基大学）；University of Manchester（曼彻斯特大学）

针对基于模拟的推理（SBI）在模型误设下结果不可靠的问题，提出了一种通用的正则化损失方法，通过惩罚加剧数据与模型不匹配的统计量实现鲁棒推理，在人工误设的高维时序模型和真实无线电传播数据上均验证了有效性，且模型正确设定时仍保持准确。

2023-10-05cs.LGstat.COstat.ML

自动无似然推理中条件核均值嵌入的贝叶斯学习

Bayesian Learning of Conditional Kernel Mean Embeddings for Automatic Likelihood-Free Inference

The University of Sydney（悉尼大学）；CSIRO（澳大利亚联邦科学与工业研究组织）；NVIDIA（英伟达）

在无似然设置的可能性评估是棘手的，近似贝叶斯计算（ABC）解决了艰巨的推理任务，发现合理的参数解释的观察模拟程序。然而，它们需要大量的模拟调用。重要的是，决定模拟差异度量的超参数至关重要地平衡了推理精度和样本效率，但很难调整。在本文中，我们提出了内核嵌入似然自由推理（KELFI），一个整体框架，自动学习模型超参数，以提高推理精度有限的模拟预算。通过利用条件均值嵌入的似然平滑性，我们非参数地近似似然和后验作为代理密度，并从封闭形式的后验均值嵌入中采样，其超参数在其近似边缘似然下学习。我们的模块化框架在生态学中具有挑战性的推理问题上表现出更高的准确性和效率。

2019-03-03cs.LGstat.ML

展示变分假设在环境应用中近似神经后验估计中的威力与灵活性

Demonstrating the power and flexibility of variational assumptions for amortized neural posterior estimation in environmental applications

North Carolina State University（北卡罗来纳州立大学）；University of Michigan（密歇根大学）；University of Edinburgh（爱丁堡大学）

本文提出了一种基于神经网络的贝叶斯后验估计框架，通过训练数据模拟的神经网络高效获得参数后验分布，理论证明其在Kullback-Leibler散度上的收敛性，并展示了在环境应用中的鲁棒性和准确性。

2026-01-08stat.COstat.ML

通过基于神经模拟的推理用恒星流约束温暖的暗物质

Towards constraining warm dark matter with stellar streams through neural simulation-based inference

对观测到的恒星流密度扰动进行统计分析，原则上可以对暗物质暗晕的质量函数设置严格的约束，而暗物质暗晕的质量函数又可以用来约束暗物质粒子的质量。然而，恒星密度相对于流和subhaloes参数的可能性涉及解决一个棘手的逆问题，它依赖于集成的所有可能的forward realisations隐含定义的模拟模型。为了推断subhalo丰度，以前的分析依赖于近似贝叶斯计算（ABC）与域动机，但手工制作的汇总统计。在这里，我们引入了一个基于摊销近似似然比（AALR）的无似然贝叶斯推断管道，它自动学习数据和模拟器参数之间的映射，并避免了手工制作可能不足的汇总统计量的需要。我们应用该方法的简化情况下，恒星流只扰动的暗物质subhaloes，从而忽略重子子结构，并描述了几个诊断，证明了新方法的有效性和统计质量的学习估计。

2020-11-30astro-ph.COastro-ph.GAastro-ph.IM

一种面向目标的贝叶斯最优实验设计的无似然方法

A Likelihood-Free Approach to Goal-Oriented Bayesian Optimal Experimental Design

针对传统贝叶斯最优实验设计侧重参数EIG而非下游感兴趣量EIG的问题，提出适配隐式模型的无似然面向目标方法LF-GO-OED，通过ABC样本构建密度比估计器规避似然计算，经基准验证并应用于流行病学与神经科学。

2024-08-18stat.APstat.COstat.ME