粒子物理实验中的测量必须考虑用于观测相互作用的探测器的不完善响应。最近，生成式机器学习模型在高维度中执行非直方图展开展现出了潜力。然而，目前所有生成方法限制于展开一组固定的可观察性，使它们无法在变量维度的碰撞数据环境中进行全事件展开。文章介绍了一种对生成展开中变量维度特征空间展开的新颖改进方法。该方法在大型强子对撞机上评估了在半轻子顶夸克对产生方面的性能。

Apr, 2024

机器学习创新使得数据展开成为可能，而不需要分箱并且可以考虑多个维度之间的相关性。我们描述了一组已知的、升级的和新的基于机器学习的展开方法，并在相同的两个数据集上评估了这些方法的性能。我们发现所有技术都能够准确地再现复杂可观测量下的粒子水平谱。鉴于这些方法在概念上各不相同，它们为一类新的测量提供了令人兴奋的工具包，可以以前所未有的细节探索标准模型，并可能实现对新现象的敏感性。

Apr, 2024

我们引入了一种方法来稳定生成对抗网络（GAN），即通过将生成器目标定义为对鉴别器的展开优化来训练，从而解决了 GAN 训练中的常见问题和提高了生成器的多样性和数据分布覆盖率。

Nov, 2016

通过减少灾难性遗忘，本研究将最新工作应用于在一系列不同分布的序列上训练生成对抗网络并实现连续生成建模。

May, 2017

本文介绍了一种名为 deep unfolding 的方法，它将迭代优化算法和神经网络工具相结合，可以有效解决机器学习、信号处理、图像处理和通信系统等一系列任务。此次调查重点讨论了在多天线（MIMO）无线系统中，信号检测和预编码以及纠错码的置信传播解码等领域中应用深度展开的情况。实验表明，这种新兴的范式在通信系统中有着显著的效果和通用性。最后，我们总结了一些尚待进一步研究和未来研究方向。

Jun, 2019

本文提出了一种基于采样点和未卷积生成器设计的无线电 GAN 框架，并结合估计的纯信号分布作为先验分布，通过能量约束优化算法实现更好的训练稳定性和收敛性，在广泛的仿真实验中展示了该框架可以有效地学习发射机特性和各种通道效应，从而准确地建模基础采样分布以合成高质量的无线电信号。

Jun, 2023

基于机器学习的展开研究区域中，基于判别模型和生成模型出现了两种主要方法。我们提出使用 Shroedinger Bridges 和扩散模型创建 SBUnfold，这种展开方法结合了判别模型和生成模型的优势，并在合成的 Z+jets 数据集上展现出非常好的性能。

Aug, 2023

本文介绍如何使用生成网络逆向模拟探测器效应等过程产生的事件，从而统计上反演蒙特卡罗模拟。此外，还介绍了最大均值失配损失如何被阶段性地或抑制地应用。

Dec, 2019

使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

Aug, 2019

本研究使用深度学习方法，探索利用条件生成对抗网络去除大体积伽马射线探测器的响应，并分析分段式伽马射线总吸收光谱仪 (TAS) 的解折叠方式。研究结果表明，我们的模型在大部分仿真测试中都在探测器分辨率范围内表现出良好的名称特征。

Jun, 2022