Flow Away your Differences: Conditional Normalizing Flows as an Improvement to Reweighting

要約

タイトル：差異を抑えるためのフロー：条件付き正規化フローが再重み付けを改善する

要約：

– 模擬サンプルのモデル化ミスを修正するため、底層の条件付き分布の変更に対応するために分布を変更するための再重み付け技術への代替案を提供する。
– 条件付き正規化フローを使用して、ターゲット分布から描画された条件付き値のためにサンプルを新規生成するために完全条件付き確率分布を学習する方法を採用する。
– 一般的な再重み付け技術に対して、この手続きはビニングの選択に独立しており、2つの分布間の密度比の推定に依存しない。
– いくつかのおもちゃの例を用いて、正規化フローがターゲット分布の分布に一致するために再重み付けアプローチを上回ることを示す。
– 修正された分布が正確になることを示し、ブートストラップを用いてトレーニングデータセットの統計的不確実性を確認できる。
– トレーニングデータと等しいサンプルサイズを持つ再重み付け技術を使用する場合よりも、統計的精度が最大で3倍高いことを示す。
– 高エネルギー粒子物理学の文脈でのアプリケーションを探索する。

要約(オリジナル)

We present an alternative to reweighting techniques for modifying distributions to account for a desired change in an underlying conditional distribution, as is often needed to correct for mis-modelling in a simulated sample. We employ conditional normalizing flows to learn the full conditional probability distribution from which we sample new events for conditional values drawn from the target distribution to produce the desired, altered distribution. In contrast to common reweighting techniques, this procedure is independent of binning choice and does not rely on an estimate of the density ratio between two distributions. In several toy examples we show that normalizing flows outperform reweighting approaches to match the distribution of the target.We demonstrate that the corrected distribution closes well with the ground truth, and a statistical uncertainty on the training dataset can be ascertained with bootstrapping. In our examples, this leads to a statistical precision up to three times greater than using reweighting techniques with identical sample sizes for the source and target distributions. We also explore an application in the context of high energy particle physics.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI