Abstract
複雑なシミュレーション問題においては、パラメータ推定がしばしば、尤度が計算不可能であることによって古典的な尤度ベース手法の使用を妨げます。シミュレーションベース推論（SBI）法は、シミュレータ出力から事後分布 p(ftheta mid xobs) を直接学習する、尤度を必要としない（likelihood-free）アプローチを提供します。最近、拡散モデルが、ニューラル尤度／事後推定や正規化フローといった先行するニューラル手法の限界を克服する有望なSBIツールとして登場しました。本レビューでは、拡散ベースSBIを第一原理から出発して応用まで検討し、科学計算で一般的な3つの非理想的なデータ状況における頑健性を強調します。すなわち、モデルのミススペシフィケーション（シミュレータと現実の不一致）、構造化されていない、あるいは無限次元の観測、欠損データです。これらの課題に対処する8つの手法を、数学的基礎を統合しながら概観します。たとえば、不規則なデータに対する条件付き拡散、事前分布の適応のためのガイド付き拡散、効率のための逐次的・因子化されたアプローチ、そして高速サンプリングのための一貫性モデルなどです。全体を通じて、整合した記法を維持し、正確な事後分布のために必要な条件を強調します。最後に、未解決の問題と、これらの課題が特に顕著になる地球物理学的な不確実性定量化への応用について結論づけます。
