Flow adaptation fits much worse when the posterior scale is small
Nadie ha tomado este issue todavía.
Evaluación
- Dificultad
- 4/5
- Tiempo estimado
- 3-5 días
- Aptitud para principiantes
- 45/100
- Tipo de issue
- Error
- Claridad
- Bastante claro
- Estado de actividad
- Activo
- Stack tecnológico
- python
- Área
- machine-learning
Línea de trabajo
Start by running the included 50-dimensional normal example and compare fisher_distance and final step size at the two covariance scales. The payload does not name implementation files or tests, and says the cause is unknown, so trace how adaptation="flow" and with_transform_adapt handle scale changes. Done means the flow fits comparably at small and unit scales while sampling still recovers the target statistics.
Escrito por el modelo de indexación a partir del texto del issue.
Descripción
adaptation="flow" fits the flow much worse when the posterior's scale is small, even with x64 enabled. On a correlated 50-dimensional normal, the mean fisher distance is 0.025 at unit scale and 2090 after scaling the covariance by 1e-8, and the final step size drops from 1.62 to 0.066. Sampling still recovers the means and standard deviations to within about 15%, and the cause isn't established.
import jax
jax.config.update("jax_enable_x64", True)
import numpy as np
import pymc as pm
import nutpie
rng = np.random.default_rng(0)
dim = 50
factor = rng.normal(size=(dim, dim)) / np.sqrt(dim)
correlation = factor @ factor.T + 0.1 * np.eye(dim)
for scale in [1.0, 1e-4]:
with pm.Model() as model:
pm.MvNormal("x", mu=np.zeros(dim), cov=correlation * scale**2)
compiled = nutpie.compile_pymc_model(model, backend="jax", gradient_backend="jax")
trace = nutpie.sample(compiled.with_transform_adapt(num_layers=4), adaptation="flow",
chains=1, draws=500, seed=1, progress_bar=False)
print(f"scale={scale:.0e} fisher_distance={float(trace.sample_stats['fisher_distance'].mean()):.3f}")
# scale=1e+00 fisher_distance=0.025
# scale=1e-04 fisher_distance=2090.241
- Lenguaje dominante
- Python
- Estrellas
- 214
- Forks
- 30
- Merge medio
- 3 h 50 min
- PR fusionados (30 d)
- 1
Preparar el entorno
Este proyecto no incluye contenedor de desarrollo, Dockerfile ni guía de contribución, así que la configuración corre por tu cuenta: empieza por su README y consulta nuestra guía para la primera contribución para los pasos generales.
Primeros pasos
- Lee el issue completo y luego la guía de contribución del proyecto.
- Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
- Haz un fork del repositorio y trabaja en una rama.
- Abre un pull request que haga referencia al número del issue.
Más de pymc-devs/nutpie
-
init_mean passed, but never usedAbierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100
-
Type mismatch in raw logp returnAbierto
Dificultad 1/5 Menos de una hora Aptitud para principiantes 88/100
-
Switch example to cmdstanpyAbierto
Dificultad 1/5 Menos de una hora Aptitud para principiantes 72/100
-
with_data fails with a list on the jax backendPosiblemente ocupada @RaphaelFakhri la tomó hace 17 días. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 35/100
-
normalizing-flows
Dificultad 3/5 1-2 días Aptitud para principiantes 58/100
Todos los issues de pymc-devs/nutpie
Issues similares
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 62/100
Los mantenedores suelen responder en 1 día
-
enhancement
Dificultad 2/5 1-3 horas Aptitud para principiantes 68/100
dgunning/edgartools#2019 ·
Los mantenedores suelen responder en 1 día
-
Dificultad 2/5 1-3 horas Aptitud para principiantes 62/100
topoteretes/cognee#6818 · 1 comentario ·
Los mantenedores suelen responder en 1 día
-
source_verification_agent: no outcome when the publisher confirms a work but its DOI resolves to a different recordPosiblemente ocupada @pinjun99 la tomó hoy. Abierto
Dificultad 2/5 1-3 horas Aptitud para principiantes 68/100
Imbad0202/academic-research-skills#1159 · 1 comentario ·
Los mantenedores suelen responder en 1 día
-
[Bug]: DoubleMLData.from_arrays checks the treatment d with force_all_x_finite instead of force_all_d_finitePosiblemente ocupada @leninworld la tomó hoy. Abierto
Dificultad 1/5 Menos de una hora Aptitud para principiantes 88/100
DoubleML/doubleml-for-py#471 ·
Los mantenedores suelen responder en 1 día