本文介绍了一系列基于神经网络的近似贝叶斯计算方法，旨在提高高维问题的推断效率和准确性。研究利用模拟数据、性能度量标准、贝叶斯神经网络框架及混合模型等技术，解决后验不确定性估计的挑战，并在多个基准问题上取得了竞争性结果。

本文综述了基于模拟的推断方法进展，涵盖SNPE-B改进、自适应后验变换、NASMC、NSMC、多级蒙特卡罗、SSNL、自动编码序列蒙特卡罗及SNL等技术，旨在提升高维复杂模型推断的效率与准确性。