The NFLikelihood: an unsupervised DNNLikelihood from Normalizing Flows

要約

我々は、参考文献 [1] で提案された DNNLikelihood の正規化フローに基づく教師なしバージョンである NFLikelihood を提案します。
現実的な例を通じて、アフィンおよび有理二次スプライン バイジェクターに基づく自己回帰フローが、高エネルギー物理学 (HEP) 解析で生じる複雑な高次元の尤度をどのように学習できるかを示します。
私たちは、すでに文献で検討されているおもちゃの LHC 分析例と、HEPFit コードを通じてサンプルが取得されたフレーバーと電弱観測値の 2 つの有効場理論の適合に焦点を当てます。
教師ありアプローチに対する教師なしアプローチの長所と短所を説明し、この 2 つの考えられる相互作用について説明します。

要約(オリジナル)

We propose the NFLikelihood, an unsupervised version, based on Normalizing Flows, of the DNNLikelihood proposed in Ref.[1]. We show, through realistic examples, how Autoregressive Flows, based on affine and rational quadratic spline bijectors, are able to learn complicated high-dimensional Likelihoods arising in High Energy Physics (HEP) analyses. We focus on a toy LHC analysis example already considered in the literature and on two Effective Field Theory fits of flavor and electroweak observables, whose samples have been obtained throught the HEPFit code. We discuss advantages and disadvantages of the unsupervised approach with respect to the supervised one and discuss possible interplays of the two.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google