首页
/ TorchMetrics中Pearson相关系数计算的聚合问题分析与修复

TorchMetrics中Pearson相关系数计算的聚合问题分析与修复

2025-07-03 01:45:31作者:廉皓灿Ida

问题背景

在机器学习评估指标库TorchMetrics中,Pearson相关系数的计算实现存在两个关键问题:

  1. 状态修改问题_final_aggregation函数在多设备环境下会原地修改输入状态,导致后续计算出现不准确结果
  2. 数值稳定性问题:当某些设备没有数据时,计算过程中会出现NaN值

问题分析

Pearson相关系数的多设备聚合计算需要合并来自不同设备的统计量,包括均值、方差和协方差等。原实现存在以下技术缺陷:

  1. 原地修改问题:函数直接修改输入张量,这在多设备分布式训练场景下会导致后续计算使用已被修改的状态
  2. 数值稳定性:当两个设备的样本数n1和n2都为0时,除法运算会产生NaN,而实际上这些位置的统计量应该保持为0
  3. 算法复杂度:原实现使用了较为复杂的计算公式,增加了理解和维护难度

解决方案

基于算法文献和数值稳定性考虑,我们提出以下改进方案:

def _final_aggregation(
    means_x: torch.Tensor,
    means_y: torch.Tensor,
    vars_x: torch.Tensor,
    vars_y: torch.Tensor,
    corrs_xy: torch.Tensor,
    nbs: torch.Tensor,
    eps: float = 1e-10,
) -> tuple[torch.Tensor, torch.Tensor, torch.Tensor, torch.Tensor, torch.Tensor, torch.Tensor]:
    """聚合来自多个设备的统计量"""
    if len(means_x) == 1:
        return means_x[0], means_y[0], vars_x[0], vars_y[0], corrs_xy[0], nbs[0]
    
    mx1, my1, vx1, vy1, cxy1, n1 = means_x[0], means_y[0], vars_x[0], vars_y[0], corrs_xy[0], nbs[0]
    
    for i in range(1, len(means_x)):
        mx2, my2, vx2, vy2, cxy2, n2 = means_x[i], means_y[i], vars_x[i], vars_y[i], corrs_xy[i], nbs[i]
        
        # 处理零样本情况
        nb = torch.where(torch.logical_or(n1, n2), n1 + n2, eps)
        
        # 计算合并均值
        mean_x = (n1 * mx1 + n2 * mx2) / nb
        mean_y = (n1 * my1 + n2 * my2) / nb
        
        # 计算合并方差和协方差
        n12_b = n1 * n2 / nb
        delta_x = mx2 - mx1
        delta_y = my2 - my1
        
        var_x = vx1 + vx2 + n12_b * delta_x ** 2
        var_y = vy1 + vy2 + n12_b * delta_y ** 2
        corr_xy = cxy1 + cxy2 + n12_b * delta_x * delta_y

        mx1, my1, vx1, vy1, cxy1, n1 = mean_x, mean_y, var_x, var_y, corr_xy, nb
    
    return mean_x, mean_y, var_x, var_y, corr_xy, nb

技术优势

  1. 算法正确性:基于可靠的并行统计算法文献实现,确保数学正确性
  2. 数值稳定性:通过eps参数处理零样本情况,避免NaN值产生
  3. 性能优化:简化计算公式,提高计算效率
  4. 可维护性:代码结构更清晰,便于理解和维护

实际影响

该修复对以下场景尤为重要:

  1. 分布式训练:确保在多GPU/多节点环境下指标计算的准确性
  2. 稀疏数据:处理某些设备可能没有数据的情况
  3. 长期训练:避免状态污染导致的指标漂移

结论

TorchMetrics中的Pearson相关系数计算经过此次修复,在正确性、稳定性和性能方面都得到了显著提升。这一改进特别有利于大规模分布式训练场景下的模型评估工作,确保了评估指标的准确性和可靠性。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
144
1.92 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
930
553
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
422
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
65
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8