상태 공간 모델 (State-space models (SSMs))은 통계학, 신호 처리, 그리고 머신러닝 (machine learning) 분야에서 자연스럽게 적용되는 동적 시스템 (dynamical systems)의 베이지안 (Bayesian) 처리를 위한 표준 형식입니다. 이론과 응용 모두에서 그 중요성에도 불구하고, 동적 시스템은 현대의 확률적 프로그래밍 언어 (probabilistic programming languages (PPLs))에 통합하기 어려운 것으로 증명되었으며, 이로 인해 최첨단 방법론들이 실무자들에게 덜 접근 가능해지고 "베이지안 워크플로 (Bayesian workflow)"를 따르는 데 마찰을 일으키고 있습니다. 우리는 상태와 파라미터 (parameters) 모두의 추정에서 최첨단 방법론을 포함하여, SSM을 일급 객체 (first-class)로 지원하는 확률적 프로그래밍 라이브러리인 dynestyx를 소개합니다. 단일화된 통합 인터페이스를 통해, 사용자는 이산 시간 (discrete-time) 또는 연속 시간 (continuous-time) 동적 시스템에 대한 임의의 사전 분포 (priors)를 지정하고, 혼합 효과 데이터 (mixed-effect data)에 대한 추론을 수행하며, 원칙적인 불확실성 정량화 (uncertainty quantification)와 함께 상태 및 파라미터 추정을 수행할 수 있습니다.