ICMLMay, 2020

应用穷尽神经重要性抽样于蒙特卡罗事件生成

PDF
TL;DR介绍了一种名为 “Exhaustive Neural Importance Sampling” 的神经归一化流方法，该方法可自动高效地找到适当的拒绝采样建议密度，并解决了拒绝算法的常见问题，从而实现了用于中微子振荡实验所需的精准中微子 - 核相互作用模型的生成。
neutrino-nucleus cross-section modelsneutrino oscillation experimentsmonte carlo generatorsexhaustive neural importance samplingnormalizing flows
发现论文，激发创造
  • 利用神经重要性抽样探索相空间

    本文提出了一种新的高能物理中散射截面和粒子事件样本生成的方法，通过引入神经网络来克服现有方法的一些缺陷，保证了全相空间覆盖和目标分布精确重现，并通过几个代表性的例子研究了算法的性能，包括顶夸克对产生、三光子和四光子最终态的胶子散射等。

    Jan, 2020

  • 神经重要性采样

    本文介绍了基于深度神经网络的非线性独立分量估计（NICE）用于 Monte Carlo 积分中样本生成的应用，并介绍了分段多项式耦合变换、一块编码、基于梯度下降的 KL 和 χ2 散度优化等提高模型性能的改进方案。通过应用于生成自然图像以及在光传输模拟中的两种应用，证明了该方法在不同维度积分领域下具有快速、准确、高性能等特点。

    Aug, 2018

  • 使用神经网络偏差势加速稀有事件采样

    该研究论文介绍了一种将重要性抽样与深度神经网络相结合的实用方法，提高了稀有事件的采样效率，并在计算物理学和材料科学领域对稀有事件进行了研究和比较。

    Jan, 2024

  • NAUTILUS: 用深度学习增强贝叶斯重要性嵌套采样

    本文介绍了通过神经网络回归将 INS 与深度学习相结合的 NAUTILUS 方法，用于贝叶斯后验和证据估计，该方法的采样效率高于其他取样器。

    Jun, 2023

  • 基于神经网络的变分增强采样

    使用机器学习技术和变分增强采样方法结合来快速采样自由能面，通过采用神经网络表示偏差来决定采样的参数，在重复学习方案中对其进行确定并打破一些壁垒

    Apr, 2019

  • 基于集成的退火重要采样

    通过结合种群基 Monte Carlo 方法来提高时间片 C 与均值场极限下的整体演变效率，我们提出了一个基于模型的 Annealed Importance Sampling (AIS) 的集成版本。

    Jan, 2024

  • 神经网络中的高效贝叶斯推断：通过自适应重要性抽样实现

    本文提出了一种名为 PMCnet 的新算法，该算法采用自适应重要性采样技术，利用复杂的（通常是多峰的）后验概率分布的几何信息，为设计贝叶斯神经网络提供了成功的方法，以实现在医疗保健或自动驾驶等决策重要性较大的领域中的机器学习应用，并同时降低了计算成本。

    Oct, 2022

  • 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

  • 证明退火对估计归一化常数的益处：重要抽样、噪音对比估计及其它

    最近的研究在模拟退火的思想基础上发展了几种蒙特卡洛方法，用于估计归一化常数（分区函数）。本文通过评估多个设计选择对于渐近估计误差的影响，提出了一种两步估计器以高效地近似最优路径。

    Oct, 2023

  • 通过归一化流进行稀有事件概率学习

    NOFIS 使用正态化流辅助重要性抽样，通过学习一系列建议分布并结合重要性抽样，精确地估计罕见事件的概率，通过定性和定量实验证实 NOFIS 方法的优越性。

    Oct, 2023