Simulations-basierte Inferenz

Bei komplexen physikalischen oder kognitiven Modellen lässt sich der Datenerzeugungsprozess nicht vollständig analytisch ausdrücken. Vielmehr haben wir nur Zugang zu einem Simulator, der Daten aus dem besagten Prozess generiert, und wir müssen uns daher auf simulationsbasierte Inferenz verlassen, um aus Daten über solche Modelle zu lernen.

Neuronale Dichteschätzer haben sich bei der Durchführung effizienter simulationsbasierter Bayesianischer Inferenz in verschiedenen Forschungsbereichen als bemerkenswert leistungsfähig erwiesen. Es gibt jedoch noch einige offene Herausforderungen in Bezug auf die Genauigkeit, Skalierbarkeit und Robustheit dieser Methoden, die unsere Arbeitsgruppe in den kommenden Jahren zu lösen versucht.