本文介绍了一种基于蒙特卡洛采样的随机优化算法，可用于快速逼近复杂潜在变量模型的后验概率分布，避免了繁琐的模型推导过程，同时探索了多种长期医疗数据模型。

Dec, 2013

CosmoPower-JAX 是一种用于 - cosmological inferece - 的 JAX 实现。通过构建 - cosmological power spectra - 的神经仿真器，使用 JAX 的自动分化、批量评估和及时编译功能，并在 GPU 上运行推断管道，使用先进的基于梯度的采样技术加速参数估计数个数量级。

May, 2023

SynJax 提供了对结构化分布推理算法的高效向量化实现，包括对齐、标记、分段、句法树和生成树，通过使用 SynJax，我们能构建大规模可微分的模型，能明确地对数据中的结构进行建模。

Aug, 2023

本文介绍了 NumPyro 库，它是 Pyro 概率编程语言的一个轻量级后端，具有相同的建模接口、语言原语和效果处理抽象。效果处理程序允许将 Pyro 的建模 API 扩展到 NumPyro，本文演示了使用程序变换与 Pyro 的效果处理程序组合的强大功能。所提供的迭代式 No-U-Turn 采样器（NUTS）的 NumPyro 实现，具有比现有替代方案更快的速度，适用于小型和大型数据集。

Dec, 2019

JaxDecompiler 是一个将任何 JAX 函数转换为可编辑的 Python 代码的工具，特别适用于编辑由梯度函数生成的 JAX 函数，并在逆向工程、理解、定制化和软件互通方面简化了过程。它在深度学习和梯度驱动软件方面具有实际应用，我们通过演示证明了反编译代码的速度性能与原始代码相似。

Mar, 2024

通过应用随机变分推断方法，提出一种结构化高斯近似后验，用于近似后验更普遍、非线性的潜变量生成模型，且相较于特定非共轭模型的定制化变分方法具有更好的表现；该方法旨在用于潜在动态结构模型的黑盒近似推断。

Nov, 2015

通过 GPU 加速计算及发布基于 JAX 的 evosax 库支持的 30 种演化式算法及硬件优化，本文探究了深度学习和演化式优化间的结合，以进一步推动黑箱优化算法的发展。

Dec, 2022

JAXbind 旨在通过提供易于使用的 Python 接口，将用其他编程语言实现的自定义函数绑定到 JAX，从而大大减少了绑定自定义函数到 JAX 所需的工作量。

Mar, 2024

介绍了 Equinox，它是一种小型神经网络库，采用类似 PyTorch 的基于类的方法，同时使用 JAX-like 的函数编程，它通过 PyTree 和函数变换解决了 OO/functional 的差异而不需要引入新的程序抽象。

Oct, 2021

我们发布了一个新的用于 PyTorch 的贝叶斯神经网络库，用于大规模深度网络。该库实现了主要的近似贝叶斯推断算法：变分推断、MC-dropout、随机梯度 MCMC 和拉普拉斯近似。与其他现有的贝叶斯神经网络库相比，我们的库具有以下主要区别：1）我们的库可以处理包括视觉变换器（ViTs）在内的非常大规模的深度网络。2）对于用户而言，我们几乎不需要修改任何代码（例如，基础网络定义代码完全不需要修改）。3）我们的库还允许预训练模型权重作为先验均值，这对于使用基于 ViTs 等大规模基础模型进行贝叶斯推断非常有用，这些模型仅仅使用下游数据难以从头开始进行优化。我们的代码公开可用。

Sep, 2023