PyVBMC 是 Variational Bayesian Monte Carlo (VBMC) 算法的 Python 实现，用于后验和模型推断黑盒计算模型（Acerbi，2018，2020）。VBMC 是一种近似推断方法，旨在通过模型评估较为昂贵（例如，需要一秒或更长时间）或有噪声的情况下进行高效参数估计和模型评估。
具体而言，VBMC 计算：
– 模型参数的灵活（非高斯）近似后验分布，可以从中轻松提取统计数据和后验样本；
– 模型证据或边缘似然的近似值，这是用于贝叶斯模型选择的指标。
PyVBMC 可应用于任何具有约 10-15 个连续参数的计算或统计模型，唯一的要求是用户能够提供一个 Python 函数，该函数计算目标对数似然或其近似值（例如，通过模拟或 Monte Carlo 方法获得的似然度量） PyVBMC 特别适用于模型每次评估需要超过一秒钟的情况下，与传统的近似推断方法相比，可获得 1-2 个数量级的显著加速。
在人工测试问题和大量来自计算科学，特别是计算和认知神经科学的真实模型上进行的广泛基准测试表明，VBMC 通常比其他样本高效的贝叶斯推断方法表现得更好，而且适用于基于精确模型和模拟器的模型（Acerbi，2018，2019，2020）。PyVBMC 将这种最先进的推断算法引入 Python，并提供易于使用的 Python 接口来运行算法，以及操作和可视化其结果。
论文链接：http://arxiv.org/pdf/2303.09519v1
更多计算机论文：http://cspaper.cn/