[LG]《Simulation-Based Inference: A Practical Guide》M Deistler, J Boelts, P Steinbach, G Moss... [University of Tübingen] (2025)
模拟驱动推断（SBI）实用指南概览：
• 核心挑战：科学与工程领域常需确定符合先验知识和观测数据的模型参数，贝叶斯推断虽原则明确，但对含随机模拟器的模型计算开销巨大。
• SBI方法要点：通过对模拟器生成的数据训练神经网络，绕过对似然函数的直接计算，实现快速“摊销”推断，适用黑盒模拟器，支持并行计算，极大提升推断效率。
• 标准工作流：
1. 定义问题：选择模拟器与合理先验，确保模拟数据覆盖观测范围，防止模型误设。
2. 选择SBI组件：数据表示（原始、摘要统计或嵌入网络）、推断算法（NPE、NLE、NRE等）及推断网络（归一化流、扩散模型等）。
3. 执行推断：生成模拟样本，训练推断网络，进行摊销推断。
4. 诊断验证：模型误设检测、后验预测检验、全局及局部覆盖诊断，确保后验估计的可靠性。
5. 后验分析：可视化后验，研究参数空间特征，计算边际与条件矩，最大后验估计及基于贝叶斯决策理论的应用。
• 方法选择指南：
- NPE适合高维数据及多次推断，推断速度快，训练成本中等，支持嵌入网络，易于处理模拟失败。
- NLE适合i.i.d.数据，训练时样本需求少，但推断需MCMC等采样，计算负担大。
- NRE训练简单（分类器），计算成本低，但同样需采样辅助推断。
• 诊断工具关键：
- 模型误设检测需确保观测数据可由模拟器产生。
- 后验预测检验比较后验预测数据与观测数据分布。
- 覆盖率诊断（SBC、期望覆盖、TARP）检测后验不确定性估计的校准性。
- 局部诊断（LCT、L-C2ST）评估特定观测的后验质量。
• 经典案例：
- 天体物理：引力波信号参数快速摊销推断，使用嵌入网络处理高维时序数据。
- 心理物理学：多次独立试验数据，采用NLE，训练于单次试验，推断时高效处理多试次。
- 神经科学：高维参数空间（31维），大规模模拟训练NPE模型集成，结合多种诊断确保后验质量，揭示参数间复杂耦合关系。
• 未来方向：
- 提升模拟效率及方法鲁棒性，特别是针对模型误设问题。
- 探索更灵活的生成模型（扩散模型、流匹配、基础表格模型）。
- 发展统一建模框架（如Simformer）支持缺失数据与多任务推断。
• 实用资源：
- 全文及代码开源，基于sbi工具箱，支持快速上手与扩展。
- 社区驱动的应用数据库（sbi-applications-explorer.streamlit.app）助力实践者了解领域前沿。
🔗 详细阅读及代码示例👉 arxiv.org/abs/2508.12939
模拟驱动推断贝叶斯推断神经网络科学计算机器学习高性能计算
