Improving Generative Model-based Unfolding with Schrödinger Bridges

要約

機械学習ベースの展開により、ビンなしの高次元微分断面測定が可能になりました。
この研究分野では、2 つの主要なアプローチが登場しました。1 つは識別モデルに基づくもの、もう 1 つは生成モデルに基づくものです。
識別モデルの主な利点は、生成モデルがデータが少ない位相空間の領域に合わせてより適切にスケーリングするのに対し、開始シミュレーションに対する小さな修正を学習することです。
私たちは、シュレーディンガー ブリッジと拡散モデルを使用して、識別モデルと生成モデルの両方の長所を組み合わせた展開アプローチである SBUnfold を作成することを提案します。
SBUnfold の主な特徴は、その生成モデルが、正規化フローや標準拡散モデルの場合のように、既知の確率密度を通過することなく、あるイベント セットを別のイベント セットにマッピングすることです。
SBUnfold が、合成 Z+jets データセット上で最先端の手法と比較して優れたパフォーマンスを達成することを示します。

要約(オリジナル)

Machine learning-based unfolding has enabled unbinned and high-dimensional differential cross section measurements. Two main approaches have emerged in this research area: one based on discriminative models and one based on generative models. The main advantage of discriminative models is that they learn a small correction to a starting simulation while generative models scale better to regions of phase space with little data. We propose to use Schroedinger Bridges and diffusion models to create SBUnfold, an unfolding approach that combines the strengths of both discriminative and generative models. The key feature of SBUnfold is that its generative model maps one set of events into another without having to go through a known probability density as is the case for normalizing flows and standard diffusion models. We show that SBUnfold achieves excellent performance compared to state of the art methods on a synthetic Z+jets dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google