Amortized Data Borrowing with Exchangeability-Aware Neural Posterior Estimation

研究提出基于摊销神经后验估计（NPE）的贝叶斯动态借用框架，单网络预训练后单次前向传播即可返回近似后验。在结局漂移和联合不可交换场景下，NPE 绝对偏差比最优经典基线低约 5 倍，I 类错误接近名义水平；预训练后每数据集约 8 ms，比 MCMC 基线快约 1000 倍。ADNI 数据分析显示该方法在跨队列结局差异时能恢复后续队列风险水平而不声称更高精度，代码已公开。