unit8co/darts

Improve numerical stability of the NLL computation for some distributions

Open

#621 geöffnet am 1. Dez. 2021

Auf GitHub ansehen
 (0 Kommentare) (0 Reaktionen) (0 zugewiesene Personen)Python (762 Forks)batch import
good first issueimprovement

Repository-Metriken

Stars
 (6.832 Stars)
PR-Merge-Metriken
 (Durchschn. Merge 143T 16h) (16 gemergte PRs in 30 T)

Beschreibung

Not all Likelihoods have numerically-stable computaiton of the NLL. By default, we rely on the log_prob() function of the PyTorch Distribution objects, but it might not be the best way to get numerically stable gradients. I think it’s fairly easy to build cases where Negative Binomial fails for instance.

See: #663

Also for the Weibull distribution, the outputs changed when we changed the shape of the network outputs, which is weird and ideally should be investigated. Not clear if that’s due to numerical instability…

Contributor Guide

Research-Richtung
Untersuchen Sie die numerische Stabilität von log prob für Negative Binomial und Weibull Verteilungen. Erstellen Sie Testfälle mit extremen Werten und vergleichen Sie die Gradienten.
Tech Stack
pythonpytorch
Domain
machine learning
Issue Type
Fehler
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
3
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
1-2 Tage
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Frisch
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Recherche nötig
Voraussetzungen
PythonPyTorch
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
30