用于非高斯推断的基于流的似然

我们研究使用数据驱动的似然来规避许多科学分析中所做的一个关键假设，即数据的真实似然为高斯分布。具体而言，我们建议使用基于流的生成模型的优化目标，该类模型可通过非线性层变换简单基础分布来捕捉复杂分布。我们称之为基于流的似然（FBL）。我们在模拟高斯数据上分析了重建似然的准确度和精度，并表明仅通过衡量从训练模型抽取样本的质量不足以指示已学到真实似然。尽管如此，我们证明该似然可被重建到与有限样本量引起的采样误差相等的精度。随后我们将 FBL 应用于模拟弱透镜收敛功率谱（一种显著非高斯（NG）的宇宙学观测量）。我们发现 FBL 极好地捕捉了数据中的 NG 特征，而其他常用的数据驱动似然（如高斯混合模型与独立成分分析）则未能做到。这表明，那些利用此类数据驱动似然在 NG 数据中发现后验偏移较小的工作，可能低估了非高斯性在参数约束中的影响。通过引入一套可捕捉数据中不同层级 NG 的检验，我们表明传统数据驱动似然的成败可归因于数据中 NG 的结构。与其他方法不同，FBL 的灵活性使其能同时成功应对不同类型的 NG。因此，并且由于其可能在跨数据集与领域中的适用性，我们鼓励在有足够模拟数据用于训练时将其用于推断。