有些模型像一台只会演示、不会解释的机器：给定参数，它能模拟出数据，却算不出这些数据出现的可能性，也就是“似然”。这会卡住贝叶斯推断——用观测更新初始判断，得到一批带有不确定性的答案，而不只是一个最佳答案。
Yuexi Wang 等人提出 B-GAN。它先建立 ABC 参考表：从候选参数出发模拟数据，再让条件 GAN——一个造样本、一个辨真假的对抗网络——学习“数据对应哪些参数”的映射。训练完成后，只需把随机噪声和真实观测送入生成器，就能以很低的额外成本生成相互独立的近似后验样本，不必每取一个样本都重新训练分类器。作者还设计了重要性重加权和变分贝叶斯两种局部修正，用来进一步贴近目标后验。
价值在于，它把 ABC 反复模拟、筛选候选的过程，压缩成一个可重复调用的生成器。作者在模拟数据上报告称，其表现可与部分近期无似然方法竞争；理论保证则有前提：采用特定神经网络并拥有足够大的 ABC 参考表时，近似后验与真实后验的典型总变差距离才会趋近于零。