Jan, 2020

基于正则化流的事件生成

PDF
TL;DR该论文提出了一种基于归一化流的新型积分器，可用于提高碰撞器物理模拟中的 Monte-Carlo 事件生成器的去加权效率，相对于基于替代模型的机器学习方法，我们的方法可以生成正确的结果，即使底层神经网络没有经过最优训练，我们以 Drell-Yan 型过程在 LHC 上的例子来说明这种新策略。
发现论文，激发创造
  • 图形规范化流

    本文提出了一种新型、基于图的生成模型 —— 图可逆正则流，并尝试将其应用于监督学习和非监督学习任务中，与其他自回归模型相比表现良好且更适合于并行计算架构。

    May, 2019

  • 自由形式流动：使任何架构成为标准化流量

    我们通过使用梯度的有效估计器来克服了正规化流设计受到解析可逆性需求的约束，并实现了任意保持维度的神经网络作为最大似然训练的生成模型，在分子生成基准测试中取得了出色的结果，同时采用现成的 ResNet 架构在一个反问题基准测试中具有竞争力。

    Oct, 2023

  • 训练计算密集型目标概率分布的正则化流

    机器学习技术特别是所谓的标准化流在蒙特卡洛模拟中变得越来越受欢迎，因为它们可以有效地逼近目标概率分布。在格点场论中，目标分布由作用的指数给出。我们提出了一种基于 REINFORCE 算法的标准化流估计器，避免了相关的计算问题，应用于临界维度的二维 Schwinger 模型，并显示它相比重新参数化技巧估计器的墙钟时间更快，内存需求减少了 30％，数值上更稳定，并允许进行单精度计算和使用半浮点张量核心。我们深入分析了这些改进的原因，这些优点也将出现在目标概率分布计算复杂的其他领域中。

    Aug, 2023

  • 量子归一化流用于异常检测

    量子架构中采用正态流进行异常检测并展现出具有竞争力的性能表现。

    Feb, 2024

  • 基于流模型的稀有事件模拟生成模型

    使用 Normalizing Flow 生成模型进行条件概率抽样配合 Coupling Flows 和 Importance Sampling，可以在高维及罕见事件的环境下实现高效的采样和估计。

    May, 2023

  • 使用动态规范流建模连续随机过程

    本文提出一种新型的正则化流，其基于 Wiener 过程的微分变形，从而获得一个完整的时间序列模型，该模型继承了其基本过程的许多性质，如似然性和边缘效率。此外，我们的连续处理为有独立到达过程的不规则时间序列提供了自然框架，包括直接插值。在合成数据和真实世界数据的一系列实验中，我们证明了该模型相对于变分 RNN 和潜在 ODE 基线的优越灵活性。

    Feb, 2020

  • 一种所有问题的流动：使用单一归一化流和开关改进高能物理中的模拟

    在高能物理分析中，模拟事件是几乎所有研究的关键要素。本文介绍了一种基于单一归一化流和布尔条件的简单方法，用于将一个多维分布（模拟数据）转化为另一个多维分布（实际数据），以对相关可观测量进行校正。实验证明了该方法在包含多个可观测量及其相关性的模拟数据中的有效性。

    Mar, 2024

  • 条件归一化流在优化权重重构中的应用

    通过条件归一化流来学习完整条件概率分布以匹配目标分布，消除模拟样本中的误建模，较之常见的重新加权技术，该方法独立于分组选择且不依赖于两个分布之间密度比率的估计，其可以提供高达三倍的统计精度，同时在高能粒子物理应用领域也具有一定的潜力。

    Apr, 2023

  • 归纳式 CaloFlow

    iCaloFlow 是一种基于归纳序列正规化流的快速探测器模拟框架，使用教师 - 学生蒸馏来提高采样速度。它能够在～10-100 倍于之前考虑的探测器几何形状的高精度模拟中发挥正规化流的潜力。

    May, 2023

  • 正规流：当前方法的介绍与评述

    本文综述了 Normalizing Flows 在分布学习中的构建和使用，旨在提供模型的背景和解释，回顾现有的最新文献，并确定未来可行的有前途的方向和未解决的问题。

    Aug, 2019