研究人员开发了一个新的基于仿真的推断（SBI）框架，旨在应对高维数据分析中剖析系统不确定性的计算挑战。这种新颖的方法利用可因子化的归一化流将系统变化建模为参数变形，保留复杂的关联并避免组合爆炸。摊销训练策略使该框架能够有效地学习条件依赖性，而泊松自举集成则提供了全面的不确定性预算。该方法已在合成数据集上得到验证，证明了其将严格的无箱似然测量扩展到微分分布以及统一高能物理中各种分析任务的潜力。 AI
影响 这项研究可能能够实现高能物理等领域复杂数据集更精确、更高效的分析。
排序理由 该集群包含一篇详细介绍基于仿真的推断新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
