实体
Factorizable Normalizing Flows
Factorizable Normalizing Flows
PulseAugur coverage of Factorizable Normalizing Flows — every cluster mentioning Factorizable Normalizing Flows across labs, papers, and developer communities, ranked by signal.
总计 · 30天
0
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
0
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新的SBI框架应对高维数据中的系统不确定性
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。
-
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
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。