本研究提出了一种“成本感知的基于仿真的推断方法”，旨在降低复杂模型推断的计算成本。通过结合拒绝采样和自归一化重要性采样，显著减少了所需的仿真次数，在流行病学和电信工程等领域实现了成本降低。

我们提出了一种基于神经量位估计的新型推断方法，通过条件分位数回归学习每个后验维度的一维分位数。该方法处理尾部行为和多峰分布，并提出了更快的贝叶斯置信区间定义。在受限的模拟预算和已知的模型误设情况下，可以将后处理扩大步骤集成到方法中，以确保后验估计的无偏性。该方法在各种基准问题上实现了最先进的性能。

该文介绍了一种基于模拟的推断方法，使用通用的Kullback-Leibler散度优化方法处理非规范化分布，将神经后验估计方法和神经比率估计方法统一为一个目标。同时，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优势，并给出了基准结果。