pymc-devs/pymc

Compute only dependent logp in step samplers

Open

#7591 aperta il 26 nov 2024

Vedi su GitHub
 (0 commenti) (0 reazioni) (0 assegnatari)Python (1902 fork)batch import
enhancementshelp wantedsamplers

Metriche repository

Star
 (7926 star)
Metriche merge PR
 (Merge medio 11g 6h) (12 PR mergiate in 30 g)

Descrizione

Description

As discussed in: https://discourse.pymc.io/t/semantik-description-of-kruschke-diagrams-model-to-graphviz/16142/8 we could be making more use of the conditional partition of the logp graph for partial step samplers.

When the proposal depends on a ratio between probabilities (BinaryMetropolois, BinaryGibbsMetropolis, CategoricalGibbsMetropolis, Slice, NUTS), we don't need to compute terms that don't depend on the updated variables.

Step samples that explicitly request delta_logp (Metropolis, DEMetropolis) achieve this implicitly via PyTensor rewrites.

I suggest adding a model.dependent_logp(vars) that helps us get the logp we need (the variables of interest + conditional dependent variables)

Guida contributor

Direzione di ricerca
Esamina il calcolo logp corrente nei campionatori step di PyMC, in particolare come viene utilizzato delta logp nei campionatori Metropolis. Implementa una funzione helper `model.dependent logp(vars)` che calcola solo il logp delle variabili che dipendono da `vars` utilizzando la partizione condizionale del grafo logp. Testa con i campionatori BinaryMetropolis e Slice per garantire la correttezza. Per il contesto, fare riferimento alla discussione su discourse all'indirizzo https://discourse.pymc.io/t/semantik description of kruschke diagrams model to graphviz/16142/8.
Tech stack
python
Dominio
machine learningperformance
Tipo issue
Funzionalità
DifficoltàQuanto dovrebbe essere impegnativa per un nuovo contributor.
4
Tempo stimatoTempo stimato per completare e verificare uno scope piccolo.
1-2 giorni
Stato attivitàQuanto è probabile che la issue sia ancora attiva e reviewable.
Nuova
ChiarezzaQuanto chiaramente la issue descrive problema, scope e risultato atteso.
Chiara
Prerequisiti
Understanding of PyTensor graphFamiliarity with PyMC step methodsKnowledge of conditional logp
Adatta ai principiantiQuanto la issue è adatta a contributor alla prima esperienza.
20