pymc-devs/pymc

Implement DiffTransform for RandomWalk distributions

Open

#6098 aperta il 4 set 2022

Vedi su GitHub
 (1 commento) (0 reazioni) (0 assegnatari)Python (1902 fork)batch import
enhancementshelp wantedpytensor

Metriche repository

Star
 (7926 star)
Metriche merge PR
 (Merge medio 11g) (7 PR mergiate in 30 g)

Descrizione

My guess is that unobserved [Gaussian/MvNormal/MvStudentT]RandomWalk would sample much better if NUTS could propose innovation values instead of the "absolute" timeseries values. This is what is done when one manually creates a random walk model by

x_raw = pm.Normal("x_raw")
x = pm.Deterministic("x", x_raw.cumsum())

If we just added the transform, there would some redundancies in the logp, because the proposed diffed values would be cumsumed (in the back-transform) and then differentiated again in the randomwalk logprob, but we can probably teach Aesara to optimize those away.

Once we have that, the user won't be worse off when creating unobserved random walks via the specialized PyMC distribution classes.

Guida contributor

Direzione di ricerca
Comprendere l'attuale implementazione di RandomWalk logp in PyMC, quindi progettare e implementare un DiffTransform che riparametrizza il random walk per campionare le innovazioni. Studiare come Aesara ottimizza le operazioni ridondanti e assicurarsi che il transform si integri con le classi di distribuzione esistenti.
Tech stack
python
Dominio
backend
Tipo issue
Funzionalità
DifficoltàQuanto dovrebbe essere impegnativa per un nuovo contributor.
3
Tempo stimatoTempo stimato per completare e verificare uno scope piccolo.
Mezza giornata
Stato attivitàQuanto è probabile che la issue sia ancora attiva e reviewable.
Attiva
ChiarezzaQuanto chiaramente la issue descrive problema, scope e risultato atteso.
Chiara
Prerequisiti
PythonPyMCprobabilistic programming concepts
Adatta ai principiantiQuanto la issue è adatta a contributor alla prima esperienza.
55