概率语言和编程包比较

免责声明：

1. 这种比较并不详尽，反映了作者使用这些软件包的实际经验。有些可能比其他的经过了更严格的测试。如果您是其中一个软件包的作者，并且认为比较不公正，请联系我们，我们非常愿意纠正。
2. 考虑到为不断发展的软件包维护基准测试代码的复杂性，这种比较更多是定性的而不是定量的。

• ✓：具有全部功能或特性。
• ~：存在部分功能或特性。
• ✗：没有能力或特征。

注意事项：

• 通用性：表示描述大量概率模型的能力。
• 效率：强调计算能力。在这种情况下，“-”表示感知到的缓慢。
• 表现力：评估简洁地制定复杂概率模型的能力。
• 调试和可视化：评估用于模型调试和可视化的工具套件。
• 模块化：反映了通过集成较小模型来创建模型的潜力。
• 推理引擎：确定工具箱采用的主要推理策略。
• 语言：标识工具箱中不可或缺的编程语言。
• 社区和生态系统：标志着生态系统的活力，包括工具、库和社区支持。

RxInfer.jl breakdown

• 通用性：RxInfer.jl在制定从指数族分布派生的复杂模型方面表现出色。该软件包不仅包含常用的分布（例如高斯分布或伯努利分布），还包含代表流行概率模型（例如自回归模型、伽马混合模型等）的专用随机节点。此外，RxInfer.jl熟练地管理指数族变量的确定性变换，请参阅Delta 节点。然而，对于指数族之外的模型，RxInfer.jl可能不是一个好的选择。此类模型需要创建新颖的节点和相应的规则，如图所示。
• 效率：RxInfer.jl以其植根于反应式消息传递的推理引擎而著称。这种方法非常高效，有助于跨系统实时传播更新，支持并行化、可中断性等。然而，当前版本RxInfer.jl尚未充分利用所有这些潜力。
• 模块化：从广义上讲，表中的工具箱并不是真正意义上的模块化。他们不通过集成较小的模型来提供模型融合。虽然RxInfer.jl目前不支持这一点，但解决方案即将出现：

• 表现力：RxInfer.jl借助 Julia 的宏观功能，用户能够优雅、简洁地制作模型，紧密反映概率符号。为了说明这一点，让我们考虑以下模型：

• Debugging & Visualization: While RxInfer.jl struggles with Julia's early-stage debugging system, it does provide a mechanism to debug the inference procedure, even though not as seamlessly as some other packages.

(Date of creation: 20/10/2023)