Communicating Likelihoods with Normalising Flows

要約

マシンラーニングベースのワークフローを提示して、そのサンプルから未使用の可能性をモデル化します。
既存のアプローチに対する重要な進歩は、関節分布のコルモゴロフスミルノフテストなど、共同分布の厳密な統計テストを使用した学習尤度の検証です。
私たちの方法により、その後の分析のための実験的および現象学的尤度の信頼できるコミュニケーションが可能になります。
高エネルギー物理学の3つのケーススタディを通じてその有効性を実証します。
より広範な採用をサポートするために、オープンソースの参照実装であるNabuを提供します。

要約(オリジナル)

We present a machine-learning-based workflow to model an unbinned likelihood from its samples. A key advancement over existing approaches is the validation of the learned likelihood using rigorous statistical tests of the joint distribution, such as the Kolmogorov-Smirnov test of the joint distribution. Our method enables the reliable communication of experimental and phenomenological likelihoods for subsequent analyses. We demonstrate its effectiveness through three case studies in high-energy physics. To support broader adoption, we provide an open-source reference implementation, nabu.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google