Avanços recentes na estimação de densidade neural possibilitaram métodos poderosos de inferência baseada em simulação (SBI) que podem aproximar flexivelmente a inferência bayesiana para modelos estocásticos intratáveis. Embora esses métodos tenham demonstrado estimação posteriori confiável quando o simulador representa com precisão o verdadeiro processo gerador de dados subjacente (DGP), trabalhos recentes mostraram que eles apresentam desempenho insatisfatório na presença de modelagem incorreta. Isso representa um problema significativo para seu uso em problemas do mundo real, devido aos simuladores sempre representarem de forma imprecisa o verdadeiro DGP até certo ponto. Neste artigo, introduzimos a estimação robusta da posteriori neural variacional (RVNP), um método que aborda o problema de modelagem errônea na SBI amortizada, conectando a lacuna entre simulação e realidade usando inferência variacional e modelagem de erro. Testamos a RVNP em várias tarefas de benchmark, incluindo o uso de dados reais da astronomia, e mostramos que ela pode recuperar a inferência posteriori robusta de maneira orientada por dados, sem adotar hiperparâmetros ajustáveis ou priors que governam a modelagem errônea.
O’Callaghan et al. (Sat,) estudaram essa questão.