RNLE：残差神经似然估计及其在引力波天文学中的应用

基于模拟的推断提供了一种在似然函数解析不可或计算 prohibitive 的情况下进行贝叶斯推断的强大框架。通过利用机器学习技术和神经密度估计器，它实现了对似然或后验分布直接从模拟数据建模的灵活性。我们引入残差神经似然估计（RNLE），这是一种对神经似然估计（NLE）的修改，旨在学习引力波探测器数据中非高斯噪声的似然。利用信号与噪声生成过程的可加结构，RNLE 直接建模噪声分布，大幅减少获得准确参数估计所需的模拟次数，并提高对现实噪声伪影的鲁棒性。通过使用玩具模型、仿真引力波信号以及来自地面干涉仪的真实探测噪声，展示了 RNLE 的性能。即使在存在强烈非高斯瞬态、故障等噪声时，我们也表明 RNLE 可在合适构建的数据集训练后实现可靠的参数恢复。我们进一步通过量化在统计上相同的数据集上使用不同优化种子重新训练条件密度估计器引入的变异性（称为训练噪声），评估了该方法的稳�性。通过一种基于证据加权的集成方法可以消除这种变异性，将多个 RNLE 模型组合在一起。RNLE 的实现已公开available in the sbilby 软件包中，使其能够部署在引力波天文学以及广泛的需要灵活、基于模拟的似然估计的科学应用中。