PulseAugur
中
实时 10:35:29
English(EN) Factorizable Normalizing Flows for parameter-dependent density morphing

引入用于参数相关密度变形的可因子化归一化流 · 跟踪到2个来源

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员引入了可因子化归一化流（FNFs），这是一种新颖的方法，旨在模拟概率密度如何随连续参数变化。这种方法解决了为每种参数配置学习单独流的难以处理的问题，尤其是在高能物理等领域。FNFs通过将参考配置的固定流与可学习的、在参数上是多项式和可因子化的变换相结合来实现这一点，从而允许孤立地学习每个参数的影响。该方法提供了可解释性，与参数数量呈线性关系，并保持了可处理的似然性，为科学推理中的密度变形提供了一个通用工具。 AI

影响 能够为科学推理任务实现更有效和可解释的密度变形。

排序理由 该集群包含一篇详细介绍机器学习新方法的学术论文。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

引入用于参数相关密度变形的可因子化归一化流 · 跟踪到2个来源

报道来源 [2]

  1. arXiv stat.ML TIER_1 English(EN) · Davide Valsecchi, Mauro Doneg\`a, Rainer Wallny ·

    用于参数相关密度变形的可因子化归一化流

    arXiv:2606.30489v1 Announce Type: new Abstract: Normalizing Flows excel at modeling a single fixed density, yet many problems across the sciences, such as high energy physics, instead require modeling how that density deforms as a function of continuous parameters: the strength o…

  2. arXiv stat.ML TIER_1 English(EN) · Rainer Wallny ·

    用于参数相关密度变形的可因子化归一化流

    Normalizing Flows excel at modeling a single fixed density, yet many problems across the sciences, such as high energy physics, instead require modeling how that density deforms as a function of continuous parameters: the strength of a physical effect, a calibration constant, or …

相关实体

相关话题