用JAX实现贝叶斯深度集成，快速处理表格数据的不确定度估计。

bde: A Python Package for Bayesian Deep Ensembles via MILE

• 基于MILE方法的采样推断，结合JAX加速计算
• 支持回归与分类任务，提供不确定性量化结果
• 兼容scikit-learn接口，适合快速实验与工程部署

bde是一个面向表格数据的用户友好型贝叶斯深度集成Python工具包。基于高效的JAX实现的微正则朗之万集成（Microcanonical Langevin Ensembles, MILE）采样推断方法，提供可兼容scikit-learn的估计器，支持快速训练、高效的马尔可夫链蒙特卡洛采样，以及在回归和分类任务中的不确定性量化。

原文摘要 · Abstract (English)

bde is a user-friendly Python package for Bayesian Deep Ensembles with a particular focus on tabular data. Built on an efficient JAX implementation of the sampling-based inference method Microcanonical Langevin Ensembles (MILE), it provides scikit-learn compatible estimators for fast training, efficient Markov Chain Monte Carlo sampling, and uncertainty quantification in both regression and classification tasks.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。