Incremental – 一个用于增量计算的库

Hacker News Top 工具
incremental-computations library ocaml self-adjusting-computations functional-programming data-reactive

摘要

Incremental 是 Jane Street 推出的一个库，用于构建高效、自适应的计算，能够响应输入变化，适用于电子表格、GUI视图以及派生数据同步。

暂无内容
查看原文
查看缓存全文

缓存时间: 2026/07/21 06:36

janestreet/incremental

来源：https://github.com/janestreet/incremental

Incremental 是一个库，它提供了一种构建复杂计算的方法，这些计算能够在其输入发生变化时高效地进行更新。该库的灵感来自于[[http://www.umut-acar.org/self-adjusting-computation][Umut Acar 等人]]关于自调整计算的研究工作。Incremental 在多种应用中都能发挥作用，包括：

  • 构建能够高效响应数据变化的大型计算（类似于你可能在电子表格中构建的那种计算）。
  • 在 GUI 应用程序中构建能够高效整合新数据的视图。
  • 计算派生数据的同时，确保派生数据与源数据保持同步，例如对映射进行过滤或求逆。

你可以在 [[https://github.com/janestreet/incremental/blob/master/src/incremental_intf.ml][incremental/src/incremental_intf.ml]] 中找到该库的详细文档及其使用方法。你还可以通过这篇[[https://blog.janestreet.com/introducing-incremental][博客文章]]和[[https://www.youtube.com/watch?v=G6a5G5i4gQU][这段视频]]找到该库的非正式介绍。

相似文章

介绍 Incremental

Lobsters Hottest

Jane Street 宣布推出 Incremental，这是一个用于构建自调整计算的库，能在输入变化时高效更新，适用于在线算法、图形界面构建和可配置计算。

Typst: Designing for Incrementality

Lobsters Hottest

Typst 通过约束记忆化（comemo）和纯函数设计，使语言和编译器协同工作，实现高效的增量编译和实时预览。文章详细介绍了布局缓存、模块评估记忆化、函数纯度以及内省系统的设计思路。

跨度内学习：利用自身预测自适应降阶模型

arXiv cs.LG

介绍跨度内学习（in-span learning）——一种通过将模型自身的预测流经增量奇异值分解来适应降阶模型的方法，在不改变子空间的前提下重新加权和重新对齐基。该方法在多个动力系统上得到验证，并被视为计算科学领域与上下文学习（in-context learning）相对应的概念。