sbi 0.23.2

sbi：基于模拟的推理

入门 | 文档

sbi是一个为基于模拟的推理而设计的Python包，旨在满足研究人员和实践者的需求。无论您需要精细控制还是易于使用的界面，sbi都能满足您的需求。

使用sbi，您可以使用贝叶斯推理进行参数推理：给定一个模拟现实世界过程的模拟器，SBI根据观察数据估计模拟器参数的完整后验分布。这个分布表示最可能的参数值，同时量化不确定性，并揭示参数之间的潜在相互作用。

sbi的关键特性

sbi结合了灵活性和易用性

• 低级接口：对于需要最大程度控制推理过程的人来说，sbi提供低级接口，允许您微调工作流程的许多方面。
• 高级接口：如果您更倾向于简单和高效，sbi还提供了高级接口，可快速轻松地实现复杂的推理任务。

此外，sbi支持一系列最先进推理算法（以下列出了实现的方法）

• 摊销方法：这些方法可以在多个观察之间重用后验估计器，无需重新训练。
• 顺序方法：这些方法专注于单个观察，优化所需的模拟次数。

除了推理之外，sbi还提供

• 验证工具：内置方法来验证和验证推断后验的准确性。
• 绘图和分析工具：全面的功能用于可视化和分析结果，帮助您轻松解释后验分布。

开始使用sbi非常简单，只需几行代码

from sbi.inference import NPE
# Given: parameters theta and corresponding simulations x
inference = NPE(prior=prior)
inference.append_simulations(theta, x).train()
posterior = inference.build_posterior()

安装

sbi需要Python 3.9或更高版本。虽然GPU不是必需的，但在某些情况下可以提高性能。我们建议使用带有conda的虚拟环境进行简单设置。

要安装sbi，请按照以下步骤操作

1. 创建Conda环境（如果使用Conda）

   conda create -n sbi_env python=3.9 && conda activate sbi_env
   

2. 安装sbi：无论您是否使用conda，都可以使用pip安装sbi。

pip install sbi

3. 测试安装：打开Python提示并运行

from sbi.examples.minimal import simple
posterior = simple()
print(posterior)

教程

如果您是sbi的新用户，我们建议从我们的入门教程开始。

您也可以直接在浏览器中访问和运行这些教程，方法是在Codespace中打开它们。为此，单击GitHub存储库上的绿色“代码”按钮，并选择“使用Codespaces打开”。这提供了一个完全功能的环境，您可以在其中通过Jupyter笔记本探索sbi。

推理算法

以下推理算法目前可用。您可以在此处找到运行每种方法的方法说明。

神经后验估计：摊销（NPE）和顺序（SNPE）

• (S)NPE_A（包括摊销单轮NPE），来自Papamakarios G和Murray I的论文《使用贝叶斯条件密度估计的快速ε-free推理模拟模型》（NeurIPS 2016）。

• (S)NPE_C或APT，来自Greenberg D，Nonnenmacher M和Macke J的论文《无似然推理的自动后验变换》（ICML 2019）。

• TSNPE，来自Deistler M，Goncalves P和Macke J的论文《可扩展和无忧的基于模拟推理的截断提案》（NeurIPS 2022）。

• FMPE，来自Wildberger J，Dax M，Buchholz S，Green S，Macke J H和Schölkopf B的论文《可扩展基于模拟推理的流匹配》（NeurIPS 2023）。

• NPSE，来自Geffner T，Papamakarios G和Mnih A的论文《基于模拟推理的组合得分建模》（ICML 2023）。

神经似然估计：摊销（NLE）和顺序（SNLE）

• (S)NLE或仅SNL，来自Papamakarios G，Sterrat DC和Murray I的论文《顺序神经似然》（AISTATS 2019）。

神经比率估计：摊销（NRE）和顺序（SNRE）

• (S)NRE_A或AALR，来自Hermans J，Begy V和Louppe G的论文《具有摊销近似似然比的无似然推理》（ICML 2020）。

• (S)NRE_B或SRE，来自Durkan C，Murray I和Papamakarios G的论文《关于对比学习用于无似然推理》（ICML 2020）。

• (S)NRE_C或NRE-C，来自Miller BK，Weniger C和Forré P的论文《对比神经比率估计》（NeurIPS 2022）。

• BNRE，来自Delaunoy A，Hermans J，Rozet F，Wehenkel A和Louppe G的论文《通过平衡神经比率估计实现可靠的基于模拟的推理》（NeurIPS 2022）。

神经变分推理，摊销（NVI）和顺序（SNVI）

• SNVI，来自Glöckler M，Deistler M，Macke J的论文《基于模拟推理的变分方法》（ICLR 2022）。

混合神经似然估计（MNLE）

• MNLE，来自Boelts J，Lueckmann JM，Gao R，Macke J的论文《用于决策模型的可扩展和高效的基于模拟推理》（eLife 2022）。

反馈和建议

我们欢迎您对如何使用sbi来解决您的推理问题提出任何反馈（见讨论），并愿意接收错误报告、pull请求和其他反馈（见贡献）。我们希望保持一个积极的社区；请阅读我们的行为准则。

致谢

sbi是delfi包的继任者（使用PyTorch）。它最初是Conor M. Durkan的lfi的分支。作为社区项目运行。请参阅致谢。

支持

sbi 已由德国联邦教育与研究部（BMBF）通过 ADIMEM 项目（FKZ 01IS18052 A-D）、SiMaLeSAM 项目（FKZ 01IS21055A）和图宾根人工智能中心（FKZ 01IS18039A）支持。自2024年起，sbi 由 appliedAI 欧洲研究所支持。

许可

Apache License 版本 2.0（Apache-2.0）

引用

如果您使用 sbi，请考虑引用 sbi 软件论文，除了描述您所使用的特定 sbi-算法（s）的原研文章。

@article{tejero-cantero2020sbi,
  doi = {10.21105/joss.02505},
  url = {https://doi.org/10.21105/joss.02505},
  year = {2020},
  publisher = {The Open Journal},
  volume = {5},
  number = {52},
  pages = {2505},
  author = {Alvaro Tejero-Cantero and Jan Boelts and Michael Deistler and Jan-Matthis Lueckmann and Conor Durkan and Pedro J. Gonçalves and David S. Greenberg and Jakob H. Macke},
  title = {sbi: A toolkit for simulation-based inference},
  journal = {Journal of Open Source Software}
}

上述引用指的是 sbi 项目的原始版本，并具有持久 DOI。此外，sbi 的新版本可通过 Zenodo 引用，我们在每个版本中创建一个新的 DOI。