基于神经自回归流的数据驱动本底分布估计
高能物理 - 唯象学
2020-08-11 v1 高能物理 - 实验
摘要
我们报告一种利用神经自回归流（NAF）——一种深度生成学习方法——的通用自动数据驱动本底分布形状估计方法。数据驱动本底估计对于许多涉及复杂末态且缺乏可靠预测的分析不可或缺。NAF 使我们能够由有限数量的可逆一维函数构造作用于多维空间的通用双射变换。鉴于其简洁性与普适性，它很适合应用于数据驱动本底估计，因为数据驱动估计可表达为变换。在数据驱动本底估计中，目标是导出适当的变换并将外推变换应用于感兴趣区域。在 ABCDnn 方法中，我们通过设置多个控制区域，让 NAF 学习变换对控制变量的依赖关系。我们证明，通过 ABCDnn 方法的预测与最优情形相近，同时具有更小的统计不确定性。
引用
@article{arxiv.2008.03636,
title = {Data-driven Estimation of Background Distribution through Neural Autoregressive Flows},
author = {Suyong Choi and Jaehoon Lim and Hayoung Oh},
journal= {arXiv preprint arXiv:2008.03636},
year = {2020}
}