Contrastive Normalizing Flows for Uncertainty-Aware Parameter Estimation

要約

データから物理的パラメーターを推定することは、物理科学における機械学習（ML）の重要なアプリケーションです。
ただし、検出器の誤りなどの系統的な不確実性は、統計的精度を侵食する可能性のあるデータ分布の歪みを誘導します。
高エネルギー物理学（HEP）とより広範なMLコンテキストの両方で、これらのドメインシフトの下で不確実性を認めるパラメーター推定を達成することは、未解決の問題のままです。
この作業では、HEPにとって重要な幅広いタスクセットの不確実性パラメーター推定のこの課題に対処します。
HiggsML不確実なチャレンジデータセットで最高のパフォーマンスを達成するコントラストの正規化フロー（CNFS）に基づいた新しいアプローチを導入します。
バイナリ分類器がモデルパラメーター尤度比を概算できるという洞察に基づいて、学習CNFマッピングにデータとパラメーターを埋め込むことにより、表現力の実際の制限と高次元パラメーターグリッドをシミュレートする高コストに対処します。
このマッピングは、シフトしたデータ分布の下で堅牢な分類を可能にする調整可能なコントラスト分布を生成します。
理論分析と経験的評価の組み合わせを通じて、CNFは、分類器と確立された頻繁な技術と組み合わされた場合、データ分布の歪みに堅牢な分類を通じて原則的なパラメーターの推定と不確実性の定量化を提供することを実証します。

要約(オリジナル)

Estimating physical parameters from data is a crucial application of machine learning (ML) in the physical sciences. However, systematic uncertainties, such as detector miscalibration, induce data distribution distortions that can erode statistical precision. In both high-energy physics (HEP) and broader ML contexts, achieving uncertainty-aware parameter estimation under these domain shifts remains an open problem. In this work, we address this challenge of uncertainty-aware parameter estimation for a broad set of tasks critical for HEP. We introduce a novel approach based on Contrastive Normalizing Flows (CNFs), which achieves top performance on the HiggsML Uncertainty Challenge dataset. Building on the insight that a binary classifier can approximate the model parameter likelihood ratio, we address the practical limitations of expressivity and the high cost of simulating high-dimensional parameter grids by embedding data and parameters in a learned CNF mapping. This mapping yields a tunable contrastive distribution that enables robust classification under shifted data distributions. Through a combination of theoretical analysis and empirical evaluations, we demonstrate that CNFs, when coupled with a classifier and established frequentist techniques, provide principled parameter estimation and uncertainty quantification through classification that is robust to data distribution distortions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google