bayesflow-org/bayesflow

解决的问题

BayesFlow 提供了一种使用深度学习进行贝叶斯推断的简化方式。它简化了从复杂模拟器或传统参数模型生成的数据中估计参数的过程，使用户能够避免传统贝叶斯方法中缓慢的迭代过程，转而使用“摊销”（amortized）工作流。

工作原理

该库使用神经网络学习可观测值（数据）与参数之间的关系。它支持多种神经估计器——包括后验、似然、比率和点估计器——并利用现代生成式 AI（如扩散模型和一致性模型）来近似后验分布。由于基于 Keras 3 构建，它支持 JAX、PyTorch 和 TensorFlow 等多种后端。

适用人群

需要对复杂仿真数据进行贝叶斯推断的研究人员和数据科学家，特别是从事传染病建模（SIR）、认知建模以及空间或图像数据研究的用户。

主要亮点

• 多后端支持：通过 Keras 3 与 JAX、PyTorch 和 TensorFlow 无缝集成。
• 摊销工作流：网络训练完成后即可实现快速推断，同一模型可应用于多个数据集。
• 生成式 AI 集成：包含丰富的生成模型，如扩散模型和一致性模型。
• 跨平台能力：可与 PyMC 集成，用于似然估计和 MCMC 采样。
• 内置诊断工具：提供一系列工具，用于验证和理解推断过程的结果。