该识别模型的参数被优化以得到平均尽可能接近真实后验值的输出。由于我们有限的计算资源,识别模型将分配其资源,以便对高概率查询比对低概率查询更准确。通过适应查询分布,识别模型学习推断。...像其他的 rational 过程模型一样,我们的方法受到这样一个事实的激励,即任何在复杂的概率模型中执行推理的计算现实的代理——在现实世界中,实时地——将需要进行近似的推理。...首先,摊销近似法具有有限的能力:它只能精确地近似一组有限的后验概率,这是由于近似体系结构有一个计算瓶颈(在我们的例子中,隐藏层中有固定数量的单元)。...退化导致对信息源(如样本大小、先验和似然性)的总体反应不足。...总之,这些结果丰富了我们对人们如何在具有计算挑战性的任务中执行近似推理的理解,这可以通过学习观察数据和后验数据之间的映射来完成。