Sep, 2023

NFLikelihood：基于归一化流的无监督 DNNLikelihood

PDF
TL;DR我们提出了 NFLikelihood，这是一种基于 Normalizing Flows 的无监督版本的 DNNLikelihood，通过现实例子展示了基于仿射和有理二次样条双射的自回归流如何学习出现在高能物理分析中的复杂高维似然。我们聚焦于一个已经存在于文献中的玩具 LHC 分析例子以及两个有效场论拟合的味道和电弱观测量，这些样本是通过 HEPFit 代码获得的。我们讨论了无监督方法相对于有监督方法的优缺点，并讨论了两者之间的可能相互作用。
发现论文，激发创造
  • 顺序神经似然性：利用自回归流进行快速无似然推断

    本研究提出了顺序神经可能性方法（SNL），这是一种用于贝叶斯推断的新方法，适用于具有难以计算可能性的模拟器模型，其中可以从模型中模拟数据。SNL 在模拟数据上训练自回归流，以学习高后验密度区域可能性的模型。该论文表明，相对于相关的基于神经网络方法，SNL 更加健壮，更准确并且需要较少的调整，并且讨论了用于评估校准，收敛和拟合优度的诊断方法。

    May, 2018

  • 使用条件正则流学习似然函数

    本文介绍了一种新方法，叫做 CNF，用于建模条件密度函数和解决结构预测问题，同时证明了该方法在超分辨率和血管分割等任务上具有竞争力。

    Nov, 2019

  • 基于正向传播的工业时间序列数据新颖性检测方法

    Flow-based deep generative models can be used for novelty detection in time series data and outperform traditional methods like the Local Outlier Factor.

    Jun, 2019

  • 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

  • 使用归一化流进行半监督学习

    FlowGMM 是一种基于正则化流的端到端方法，用于生成半监督学习，具有可解释性，适用于广泛的数据类型，包括文本数据、表格数据和半监督图像分类，并能够发现可解释的结构、提供实时的无优化特征可视化等。

    Dec, 2019

  • 神经样条流

    本文介绍基于单调分段函数有理二次样条的神经模型流，在保持解析可逆性的同时提高了耦合和自回归变换的灵活性，并展示了神经样条流在密度估计、变分推断和图像生成建模中的相对表现优良。

    Jun, 2019

  • 基于正则化流的事件生成

    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。

    Jan, 2020

  • 图形正态流

    本文提出了一种基于贝叶斯网络和图结构的图归一化流模型，在保留贝叶斯网络的可解释性和图归一化流的表示能力的同时，为将领域知识注入图归一化流提供了一个有前途的方法。

    Jun, 2020

  • 基于模拟推理的循序神经似然估计方法

    通过 Surjective Sequential Neural Likelihood（SSNL）估计，我们提出了一种新的方法，用于在评估似然函数不可行且仅可使用生成合成数据的模拟器的模型中进行基于模拟的推断。SSNL 采用一个降维的满射标准化流模型并将其用作替代似然函数，通过嵌入数据在低维空间中，解决了先前基于似然函数的方法在应用于高维数据集时遇到的问题。我们评估了 SSNL 在各种实验中的表现，并表明它通常优于在基于模拟的推断中使用的现代方法，比如在一个来自天体物理学的挑战性实际例子中，该例子使用太阳动力学模型来建模太阳的磁场强度。

    Aug, 2023

  • 因果自回归流

    本文介绍了自回归归一化流和可辨识因果模型之间的内在对应关系，证明归一化流模型适用于执行多种因果推理任务，从因果发现到进行干预和反事实预测。作者通过一系列实验验证了所提出的方法优于当前的因果发现方法，并可以精确地进行干预和反事实预测。

    Nov, 2020