# 基于模拟的推断

10 篇关联报道

订阅更新

arXiv 2026年11月10日
细菌基因组热点不再只靠汇总统计量：神经后验估计同时估计重组与突变速率，并给出热点概率
细菌基因组中重组与突变速率沿序列变化，两类信号重叠、克隆关系又构成混杂，以往方法常假设突变速率恒定或只依赖少量汇总统计量。这项研究用神经后验估计在固定克隆谱系条件下训练模拟器，对每个基因片段分别推断局部重组与突变速率，再用环形后验传播的高斯差分检测器把后验不确定性带入热点判定。模拟数据上推断值能回到真值，可信区间随基因长度增加而收窄；在蜡样芽孢杆菌群、金黄色葡萄球菌和大肠杆菌三套真实数据上分别给出了候选热点。
细菌基因组中重组与突变速率沿序列变化，两类信号重叠、克隆关系又构成混杂，以往方法常假设突变速率恒定或只依赖少量汇总统计量。这项研究用神经后验估计在固定克隆谱系条件下训练模拟器，对每个基因片段分别推断局部重组与突变速率，再用环形后验传播的高斯差分检测器把后验不确定性带入热点判定。模拟数据上推断值能回到真值，可信区间随基因长度增加而收窄；在蜡样芽孢杆菌群、金黄色葡萄球菌和大肠杆菌三套真实数据上分别给出了候选热点。
University of Warwick
刘昊矗（第一作者）
神经后验估计环形后验传播高斯差检测器细菌重组与突变热点检测基于模拟的推断
arXiv 2026年11月11日
EMRI频率轨迹不必先造波形：谐波识别在物理候选内98%正确，参数体积最多再缩四个量级
极端质量比旋近（EMRI）的波形长且多谐波，搜索与参数估计代价高。该工作直接用时频搜索输出的频率轨迹训练基于模拟的推断网络：在物理合理的候选内，谐波对识别正确率为98%；序贯推断把内禀参数先验体积压缩，再叠加检测统计量筛选可再缩小最多四个量级，使重度掩蔽轨迹接近掩蔽最轻情形的精度。
极端质量比旋近（EMRI）的波形长且多谐波，搜索与参数估计代价高。该工作直接用时频搜索输出的频率轨迹训练基于模拟的推断网络：在物理合理的候选内，谐波对识别正确率为98%；序贯推断把内禀参数先验体积压缩，再叠加检测统计量筛选可再缩小最多四个量级，使重度掩蔽轨迹接近掩蔽最轻情形的精度。
Federico Fantoccoli（第一作者）
基于模拟的推断 EMRI频率轨迹谐波识别归一化流
arXiv 2026年10月14日
化学反应网络不再逐次拟合：一次训练后，模型选择与速率常数秒级出结果
把化学反应网络的路径判别与速率常数估计合并进一个摊销神经网络，训练一次后新实验数据只需前向计算即可给出模型后验概率和参数后验。
University of Toronto
J. Arturo Esquivel（第一作者）
神经后验估计化学反应网络贝叶斯模型选择可逆神经网络基于模拟的推断
arXiv 2026年11月9日
一张照片只给一个方向：三角传输映射似然让分层反演不再逐格求解，单次后验省下数百倍正演
分层贝叶斯反演中，似然里带正演模型意味着每评估一次后验就要对每个单元解一次正演。这里改为按实验设计训练一次的三角传输映射似然，供所有单元共用，用于从液膜小孔照片推断接触角与毛细长度。在合成验证设计上，映射后验与直接采样在润湿性质上一致，并通过基于模拟的校准；单个后验所需正演评估比无梯度集合采样器少数百倍，同一设计下后续后验不再增加正演求解。
分层贝叶斯反演中，似然里带正演模型意味着每评估一次后验就要对每个单元解一次正演。这里改为按实验设计训练一次的三角传输映射似然，供所有单元共用，用于从液膜小孔照片推断接触角与毛细长度。在合成验证设计上，映射后验与直接采样在润湿性质上一致，并通过基于模拟的校准；单个后验所需正演评估比无梯度集合采样器少数百倍，同一设计下后续后验不再增加正演求解。
Henning Bonart（第一作者、通讯作者）
基于模拟的推断三角传输映射层次贝叶斯模型基于模拟的校准润湿性质推断
arXiv 2026年11月4日
DES Y3 剪切数据首次用积分三点相关函数做宇宙学推断，联合两点统计把品质因子提高约一倍
暗能量巡天第三年（DES Y3）弱透镜剪切数据第一次用积分三点相关函数（i3PCF，把局部孔径质量与周围剪切关联起来的高阶统计量）做宇宙学分析，也是三点剪切统计首次在巡天数据上使用完全基于模拟的推断。联合两点相关函数后，i3PCF 以 12.8 的信噪比被探测到，Ωm–S8–w 参数空间的品质因子比单用两点统计提高约一倍，增益来自重子效应较弱的大角度尺度。
暗能量巡天第三年（DES Y3）弱透镜剪切数据第一次用积分三点相关函数（i3PCF，把局部孔径质量与周围剪切关联起来的高阶统计量）做宇宙学分析，也是三点剪切统计首次在巡天数据上使用完全基于模拟的推断。联合两点相关函数后，i3PCF 以 12.8 的信噪比被探测到，Ωm–S8–w 参数空间的品质因子比单用两点统计提高约一倍，增益来自重子效应较弱的大角度尺度。
Bielefeld University University of Arizona
David Gebauer（第一作者）
SBi3PCF模拟推断框架基于模拟的推断积分三点相关函数宇宙剪切宇宙学参数约束
arXiv 2026年10月14日
系统发育树后验推断改用迭代生成模型：复杂演化模型下比IQ-Tree更准，简单数据上持平
系统发育树的后验推断长期依赖似然计算，而插入缺失、位点选择等真实演化过程让似然不可解。这组条件生成模型把建树拆成自底向上、自中向外或自顶向下的一步步决策，用离散扩散目标训练，在真实与合成数据上比此前的模拟推断方法Phyloformer 2更接近MCMC后验；在简单数据上与IQ-Tree持平，在更真实的复杂模型数据上稳定更准。
系统发育树的后验推断长期依赖似然计算，而插入缺失、位点选择等真实演化过程让似然不可解。这组条件生成模型把建树拆成自底向上、自中向外或自顶向下的一步步决策，用离散扩散目标训练，在真实与合成数据上比此前的模拟推断方法Phyloformer 2更接近MCMC后验；在简单数据上与IQ-Tree持平，在更真实的复杂模型数据上稳定更准。
New York University
Ethan Baron（第一作者）
基于模拟的推断离散扩散系统发育推断
bioRxiv 2026年10月30日
Fox 不再先建树：直接读宿主与共生体双份比对，推断比 ABC 基线快三个数量级以上
宿主与共生体的共进化事件频率过去要先重建宿主树、再做树间调和，树推断误差会传进结果。Fox 改用 transformer 直接从宿主与共生体的两份多序列比对及其对应关系输出共物种形成、宿主转换、丢失和重复四类事件的相对频率，模拟成本只在训练时付一次，之后每个新系统一次前向计算即可。在独立模拟器 treeducken 上，Fox 在 AmoCoala 能完成的 92 个数据集上平均绝对误差为 0.060，AmoCoala 为 0.131，且 Fox 推断快三个数量级以上。
宿主与共生体的共进化事件频率过去要先重建宿主树、再做树间调和，树推断误差会传进结果。Fox 改用 transformer 直接从宿主与共生体的两份多序列比对及其对应关系输出共物种形成、宿主转换、丢失和重复四类事件的相对频率，模拟成本只在训练时付一次，之后每个新系统一次前向计算即可。在独立模拟器 treeducken 上，Fox 在 AmoCoala 能完成的 92 个数据集上平均绝对误差为 0.060，AmoCoala 为 0.131，且 Fox 推断快三个数量级以上。
Libera Università Internazionale degli Studi Sociali Guido Carli Sorbonne Université Centre National de la Recherche Scientifique Università Campus Bio-Medico Université Paris Cité
Gabriele Di Palma（第一作者、通讯作者）
Fox模型共系统发育学 Transformer 基于模拟的推断
arXiv 2026年10月12日
模拟器能跑但似然算不出：给参数造一条随时可停的置信序列，神经比分逼近精确似然比
对只能模拟、无法计算似然的模型，SLICE 把每个候选参数下的新模拟当作参照，把观测得分归一化成条件 e 值，连乘后反演得到随时有效的置信序列。有效性不依赖得分是否准确，得分只决定序列收缩的快慢；在合成基准、LLM API 模型替换审计和 OGLE-IV 微引力透镜数据上，用摊销神经比值估计作得分，效果接近精确似然比和针对具体应用的得分。
对只能模拟、无法计算似然的模型，SLICE 把每个候选参数下的新模拟当作参照，把观测得分归一化成条件 e 值，连乘后反演得到随时有效的置信序列。有效性不依赖得分是否准确，得分只决定序列收缩的快慢；在合成基准、LLM API 模型替换审计和 OGLE-IV 微引力透镜数据上，用摊销神经比值估计作得分，效果接近精确似然比和针对具体应用的得分。
University of Oxford
Stefano Cortinovis（第一作者）
SLICE：基于共形e值的序贯无似然推断置信序列神经比率估计共形预测基于模拟的推断
arXiv 2026年10月12日
模拟推断不再只训后验网络：把摘要统计量当主角，训练量随观测维度只按多项式增长
模拟推断把低维摘要统计量与摊销后验估计器联合训练，并给出非渐近保证：在指数族与光滑模型两类设定下，达到目标精度所需的训练样本量只随观测维度多项式增长，而不是经典非参数条件分布估计中的指数增长。
Hong Kong University of Science and Technology
Rui Li（第一作者）
基于模拟的推断切片最大均值差异 ABC-MCMC局部精化 Oracle不等式维度灾难
arXiv 2026年10月12日
乘积密度下的期望不再需要密度：只靠各分量样本，回归一步合并，HIGGS上误差0.0001
把多个独立分布的乘积分布下的期望，改成对“共识”与“差异”做回归的问题：只取各分量的蒙特卡洛样本，不评估密度，就能估计任意期望。在HIGGS的1100万条模拟碰撞事件上，PMC-MLP的估计误差为0.0001，合并耗时0.1092分钟，总运行时间约为全数据MCMC的10%；在隐私受限的呼吸数据临床试验中，各PMC变体的合并成本都低于GBF。
把多个独立分布的乘积分布下的期望，改成对“共识”与“差异”做回归的问题：只取各分量的蒙特卡洛样本，不评估密度，就能估计任意期望。在HIGGS的1100万条模拟碰撞事件上，PMC-MLP的估计误差为0.0001，合并耗时0.1092分钟，总运行时间约为全数据MCMC的10%；在隐私受限的呼吸数据临床试验中，各PMC变体的合并成本都低于GBF。
The University of Texas at Austin Duke University
Pietro Carlotti（第一作者）
乘积蒙特卡洛乘积密度下的期望计算基于模拟的推断不确定性量化

已读完全部报道