学习验证生成模型：基于良好拟合度的方法
机器学习
2025-11-26 v2 机器学习
高能物理 - 实验
高能物理 - 唯象学
摘要
生成模型正日益成为科学工作流程的核心，但其系统性使用和解释需要通过严格的验证来理解其局限性。经典方法在应用于高维数据时，往往在可扩展性、统计检验力或可解释性方面受限，使其难以在现实的高维科学场景中确认这些模型的可靠性。本文提出采用New Physics Learning Machine（NPLM），一种受Neyman-Pearson构造启发的基于学习的良好拟合度测试方法，用于测试在高维科学数据上训练的生成网络。我们在两个基准案例中展示了NPLM的性能：一种是针对不同维度的高斯混合模型训练的生成模型，另一种是用于生成高能物理碰撞事件的公开端到端模型（即FlowSim）。我们表明，NPLM可作为强大的验证方法，同时提供诊断次优建模数据区域的手段。
关键词
引用
@article{arxiv.2511.09118,
title = {Learning to Validate Generative Models: a Goodness-of-Fit Approach},
author = {Pietro Cappelli and Gaia Grosso and Marco Letizia and Humberto Reyes-González and Marco Zanetti},
journal= {arXiv preprint arXiv:2511.09118},
year = {2025}
}
备注
16 pages, 6 figures. v2: improved clarity