DNNLikelihood：利用深度学习增强似然分布
高能物理 - 唯象学
2020-08-26 v2 宇宙学与河外天体物理
高能物理 - 实验
数据分析、统计与概率
摘要
我们介绍了 DNNLikelihood，一种通过深度神经网络(DNN)轻松编码复杂似然函数(LF)中所含全部实验信息的新框架。我们展示了如何将被视为参数与 nuisance 参数的高维多元函数的 LF 高效参数化，作为 DNN 预测器形式的插值函数。我们不使用任何高斯近似或降维手段（如 nuisance 参数上的边际化或剖面化），从而保留全部实验信息。该流程适用于分箱与未分箱 LF，并允许向多个软件平台高效分发，例如通过框架无关的 ONNX 模型格式。分发后的 DNNLikelihood 可用于不同用例，如通过马尔可夫链蒙特卡洛技术重采样（可带自定义先验）、在参数间关联已知时与其他 LF 组合，以及在不同统计方法（即贝叶斯与频率学派）下重新诠释。我们讨论了该方案的精度及其与其他近似技术和似然分发框架的关系。作为示例，我们将该流程应用于一个对应于文献中已有现实 LHC 新物理搜索的伪实验。
引用
@article{arxiv.1911.03305,
title = {The DNNLikelihood: enhancing likelihood distribution with Deep Learning},
author = {Andrea Coccaro and Maurizio Pierini and Luca Silvestrini and Riccardo Torre},
journal= {arXiv preprint arXiv:1911.03305},
year = {2020}
}
备注
44 pages, 17 figures, 8 tables; v2: 46 pages, appendix on coverage changed, figures and bibliography improved, references added