pymc-devs/pymc

Compute only dependent logp in step samplers

Aperta

#7591 aperta il 26 nov 2024

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

Metriche repository

Star
 (7926 stelle)
Metriche merge PR
 (Merge medio 11g) (7 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
Studia l'implementazione attuale di logp in PyMC, comprendi come i sampler a passo calcolano le probabilità e implementa un metodo `dependent logp` che restituisce solo i termini logp dipendenti dalle variabili specificate. Segui il link della discussione per il contesto.
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.
1-2 giorni
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
Python
Adatta ai principiantiQuanto la issue è adatta a contributor alla prima esperienza.
45