unit8co/darts

mc_dropout with predict_likelihood_parameters

Chiusa

#2105 aperta il 4 dic 2023

Vedi su GitHubGuida contributor
 (3 commenti) (0 reazioni) (0 assegnatari)Python (762 fork)batch import
documentationgood first issue

Metriche repository

Star
 (6832 stelle)
Metriche merge PR
 (Merge medio 143g 16h) (16 PR mergiate in 30 g)

Descrizione

Hi, thanks for the prompt response regarding issue #2097 . I'm now able to utilize mc_dropout in historical_forecasts.

My current objective is to incorporate mc_dropout for obtaining epistemic uncertainty and predict_likelihood_parameters for acquiring aleatoric uncertainty. However, when setting predict_likelihood_parameters to True, I encounter an issue where I'm unable to use the sample method. Consequently, I'm limited to obtaining only one result with each call to historical_forecasts with predict_likelihood_parameters=True and mc_dropout=True.

I suspect that the solution might involve distinguishing the sample generation process by using mc_dropout and sample generation process based on the fitted distribution. Now they are using the same num_samples parameter.

Guida contributor

Direzione di ricerca
Indaga l'implementazione di `historical forecasts` in darts, in particolare come `num samples` viene utilizzato sia per `mc dropout` che per `predict likelihood parameters`. Esamina la logica di campionamento per separare i due processi. Controlla l'issue correlato #2097 per il contesto. Considera di modificare la funzione per consentire conteggi di campioni diversi per ciascuna fonte di incertezza.
Tech stack
python
Dominio
machine learningdata
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.
Nuova
ChiarezzaQuanto chiaramente la issue descrive problema, scope e risultato atteso.
Abbastanza chiara
Prerequisiti
Familiarity with darts libraryUnderstanding of Monte Carlo DropoutUnderstanding of aleatoric vs epistemic uncertainty
Adatta ai principiantiQuanto la issue è adatta a contributor alla prima esperienza.
35