sbi-dev/sbi

sbi is a Python package for simulation-based inference, designed to meet the needs of both researchers and practitioners. Whether you need fine-grained control or an easy-to-use interface, sbi has you covered.

解决的问题

sbi 是一个专为模拟推断（SBI）设计的 Python 包。它允许用户基于观测到的真实世界数据，估计模拟器参数的完整后验分布，这在似然函数不可计算（无似然推断）时至关重要。

工作原理

该库提供了一系列最先进的贝叶斯推断算法，利用模拟器作为真实值，学习参数与观测之间的关系。它支持两大类方法：

  • 摊销方法：创建可跨多个观测重复使用的后验估计器，无需重新训练。
  • 序列方法：通过聚焦于单个观测，优化所需的模拟次数。

它实现了多种技术，包括神经后验估计（NPE）、神经似然估计（NLE）、神经比率估计（NRE）、神经变分推断（NVI）和混合神经似然估计（MNLE）。

适用人群

拥有现实世界过程模拟器，并需要在量化不确定性的同时进行参数推断并识别参数相互作用的研究人员和实践者。

主要亮点

  • 灵活的接口：提供高级接口以快速实现，也提供低级接口以实现精细控制。
  • 跨算法支持：实现了一系列最先进的算法（NPE、NLE、NRE、NVI、MNLE）。
  • 验证工具：包含内置方法以验证推断后验的准确性。
  • 分析工具：提供全面的绘图和可视化功能，用于解释结果。

相关

  • 项目
    easystats/bayestestR

    一个提供全面函数集的 R 包，用于分析和描述贝叶斯模型的后验分布，重点关注中心性、不确定性和效应显著性。

  • 项目
    erdogant/bnlearn

    bnlearn is a Python library for learning, parameterising, and querying Bayesian networks. It supports structure discovery (various scores and search methods), CPT estimation, causal inference (do‑calculus), synthetic data generation, and visualisation, all wrapped in a simple API.

  • 项目
    pymc-devs/pymc

    PyMC 是一个使用 MCMC 和变分推断算法来估计复杂概率模型参数的 Python 包。

  • 项目
    joshspeagle/dynesty

    一个使用动态嵌套采样（Dynamic Nested Sampling）来计算贝叶斯后验概率与证据的纯 Python 包。

  • 项目
    statsmodels/statsmodels

    一个用于统计计算的 Python 包，为广泛的统计模型提供估计和推论工具。