问题标签 [uncertainty]

我最近从 cockroachdb 博客中读到了这篇很棒的文章，其中讨论了它们如何以类似于扳手但没有原子钟的方式保持一致性。这是帖子的相关部分：

CockroachDB 启动事务时，它会根据当前节点的挂墙时间选择一个临时提交时间戳。它还通过添加集群的最大时钟偏移[提交时间戳，提交时间戳+最大时钟偏移]来建立所选挂钟时间的上限。该时间间隔代表不确定性窗口。

...

只有当观察到一个值在不确定区间内时，CockroachDB 特定的机制才会启动。这里的核心问题是，鉴于时钟偏移，我们无法确定遇到的值是否在我们的事务开始之前提交。在这种情况下，我们只需执行不确定性重启，将临时提交时间戳刚好高于遇到的时间戳即可。至关重要的是，不确定性区间的上限在重启时不会改变，因此不确定性窗口会缩小。从许多节点读取不断更新的数据的事务可能会被迫多次重启，但永远不会超过不确定间隔，每个节点也不会超过一次。

具体来说，我不明白为什么不确定性窗口的上限在不确定性重新启动期间也不必被碰撞。这是一个例子来说明我的困惑：

假设我们有两个写入 A 和 B（在不同的节点上）。写入 A 的时间戳为 3，B 的时间戳为 5。假设最大时钟偏移量为 3 个时间单位，如果我们在时钟当前读取为 1 的节点上启动事务，我们将构建 [1, 4] 的不确定性窗口。当我们遇到 write A 时，我们将执行不确定性重新启动以包含它并将不确定性窗口减小到 (3, 4]。当我们遇到 write B 时，我们将忽略它，因为它位于不确定性窗口的上限之上。但是，由于我们的最大时钟偏移量是 3 个单位，并且 A 和 B 的时间戳相距不到三个单位，B 可能发生在 A 之前。但是我们在事务中包含了 A 而不是 B，所以我们没有一致性。

提前感谢您指出我所缺少的！

我正在尝试在 Pytorch 上使用 Mc Dropout 实现贝叶斯 CNN，主要思想是通过在测试时应用 dropout 并运行许多前向传递，您可以从各种不同的模型中获得预测。我找到了 Mc Dropout 的应用程序，我真的不明白他们是如何应用这种方法的，以及他们是如何从预测列表中选择正确的预测

这是代码

我已经换了

data, target = Variable(data, volatile=True), Variable(target)

通过增加

with torch.no_grad(): 一开始

这就是我定义我的 CNN 的方式

谁能帮我在 CNN 上正确实现 Monte Carlo Dropout 方法？

我正在尝试在 Pytorch 上使用 Mc Dropout 实现贝叶斯 CNN，主要思想是通过在测试时应用 dropout 并运行许多前向传递，您可以从各种不同的模型中获得预测。我需要获得不确定性，有人知道我该怎么做吗？

这就是我如何定义我的 CNN '''

这是mc dropout的代码

'''

我需要平方根和幂的帮助。我正在计算平均误差，我被告知要为每个元素执行此操作：

dmgfeerr = sqrt(dmgherr**2 - dfeherr**2).

但我收到一条错误消息：TypeError: only size-1 arrays can be converted to Python scalars。

下面是数据。它的东西叫做正交误差：

我正在尝试使用 MC Dropout 在 pytorch 上进行图像分类任务来计算熵以测量模型的不确定性，我已经使用样本均值 output_mean 计算了每个样本的熵，如下面的代码所示

在计算每个样本的熵之后，我试图计算每个类的熵，以获得关于每个样本的模型不确定性。谁能帮我得到正确的公式来计算熵。

我正在尝试使用 MC Dropout 方法和此链接中提出的解决方案为图像分类任务计算数据集的每个类的熵，以测量 pytorch 上的
不确定性

首先，我计算了每个批次在不同前向传递（class_mean_batch）中每个类的平均值，然后计算了所有测试加载器（classes_mean），然后进行了一些转换以获得（total_mean）以使用它来计算熵，如下面的代码所示

谁能更正或确认我用来计算每个类的熵的实现。

我相信我的问题很容易理解，但我想把它说得很清楚，因此这篇文章的长度。

我在下面总结的初始情况类似于本文中解释的情况（https://stats.stackexchange.com/questions/50830/can-i-convert-a-covariance-matrix-into-uncertainties- for-variables )，但特别关注 python 包不确定性如何处理这种情况。

情况如下：

• 我拥有一组与某些测量值的标称值相对应的数据点（通过标称值，我的意思是没有考虑任何不确定性的裸值）。

• 每个数据点都有其不确定性，这也提供给了我。更重要的是，由于测量中的一些系统性，不同的数据点不是独立的，而是相关的。因此，给了我一个具有非零非对角元素的整个协方差矩阵。

我想做的是以不确定性适当传播的方式对我的数据进行计算。最终，我希望在控制台中以标称值 +/- 不确定性的形式显示值。python 包“不确定性”似乎是正确的方法，但我不确定它为我的初始数据点提供的不确定性数字的含义。

我所期望的是，我的初始数据点的不确定性对应于“朴素”标准偏差，即我的协方差矩阵的对角线元素的平方根。这忽略了数据中的相关性，但以标称值 +/- 不确定性的形式显示相关结果无论如何都不会显示相关性，只要后者在进一步计算中被正确考虑，这应该不是问题。

但是，包装上显示的另一个数字是不确定性，我不知道它来自哪里。软件包文档几乎没有帮助。我想知道我是否可能滥用该软件包。

谁能帮我了解一下情况？非常感谢 ！！

这是一个最小的可重现示例：

我有一个四列的数据框（https://www.dropbox.com/s/hho5sgwjhlk4185/data.csv?dl=0）。我使用方程填充了rtp基于其他列的列0.03385*(pp**2)*(mv**0.94500)*(cc**(-0.03047))。现在，我想看看这个方程的不确定性，我不知道该怎么做。我应该使用某种形式的伪数据集还是蒙特卡罗，如果是，我该如何为该rtp列执行此操作？我用R。

借助“不确定性”包，python 在通过计算传播不确定性方面非常强大。是否有可能也包括相关性？比方说，我拟合了一些数据，scipy.optimize.curve_fit这些数据返回了最佳拟合参数及其相关矩阵，通常称为popt和pcov。现在我想评估一个函数f(popt)。

没有相关性，例如可以按如下方式进行（在 2D 中）

带有whataver功能f。这忽略了 p0 和 p1 的相关性。在“不确定性”的文档中提到了相关性，但我真的不明白是否以及如何将其应用于我的问题。

编辑：这似乎可行，但老实说，我真的不明白它的作用以及这是否真的是正确的解决方案。

我有四个 matlab 向量，它们使用 Shperical 坐标在不同时刻表示两架飞机的位置。我使用haversine计算了它们之间的距离

我还有四个附加向量，其中包含与phiMeanA, phiMeanB, lambdaMeanA和相关的标准偏差的值lambdaMeanB，因此，我想计算 的标准偏差haversine_mean_distance，但我不知道该怎么做。有人可以指出我正确的方向吗？