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.

解決的問題

sbi 是一個專為模擬推論（SBI）設計的 Python 套件。它允許使用者根據觀測到的真實世界資料，估計模擬器參數的完整後驗分佈，這在似然函數無法計算（無似然推論）時至關重要。

工作原理

該套件提供一系列先進的貝葉斯推論演算法，利用模擬器作為真實值，學習參數與觀測之間的關係。它支援兩大類方法：

  • 攤銷方法：建立可跨多個觀測重複使用的後驗估計器，無需重新訓練。
  • 序列方法：透過聚焦於單一觀測，優化所需的模擬次數。

它實作了多種技術，包括神經後驗估計（NPE）、神經似然估計（NLE）、神經比率估計（NRE）、神經變分推論（NVI）和混合神經似然估計（MNLE）。

適用對象

擁有現實世界過程模擬器，並需要在量化不確定性同時進行參數推論並識別參數交互作用的研究人員與實務者。

主要亮點

  • 靈活的介面：提供高階介面以快速實現，也提供低階介面以實現細緻控制。
  • 跨演算法支援：實作一系列先進的演算法（NPE、NLE、NRE、NVI、MNLE）。
  • 驗證工具：包含內建方法以驗證推斷後驗的準確性。
  • 分析工具：提供全面的繪圖與視覺化功能，用於解釋結果。

相關

  • 專案
    easystats/bayestestR

    一個提供全面函數集的 R 套件，用於分析和描述貝葉斯模型的後驗分佈，重點關注中心性、不確定性和效應顯著性。

  • 專案
    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.

  • 專案
    pymc-devs/pymc

    PyMC 是一個使用 MCMC 和變分推論演算法來估計複雜機率模型參數的 Python 套件。

  • 專案
    joshspeagle/dynesty

    一個使用動態嵌套採樣（Dynamic Nested Sampling）來計算貝氏後驗機率與證據的純 Python 套件。

  • 專案
    statsmodels/statsmodels

    一個用於統計計算的 Python 套件，為廣泛的統計模型提供估計與推論工具。