通过正规化流改善 Λ 信号的领域适配
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
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
提出了一种基于归一化流的生成建模框架 AlignFlow,可用于不同领域的数据建模,其中通过归一化流进行域建模,这种建模方法具有灵活性和学习效果,同时学习并精确推断生成模型的潜在空间的共享表示。此方法保证数据点从源域到目标域并返回源域的精确循环一致性,同时用于图像到图像的翻译和无监督域适应。
May, 2019
本文介绍了一种新的黑匣子对抗攻击方法,该方法基于规范化流来对给定目标图像周围的对抗性样本密度进行建模,在生成的对手中,其具有更接近干净数据分布的属性,从而使其检测不太可能。此外,与部分现有的攻击方法相比,论文实验证明该方法具有较强的攻击性能。
Jul, 2020
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
为了构建计算效率高且能代替基于规则的模拟的生成式替代模型,本研究扩展了 L2LFlows 以模拟具有较大剖面尺寸的洗澡水,并引入了卷积层和 U-Net 型连接,从掩蔽自回归流变为耦合层,在 ILD 电磁量热计以及公共 CaloChallenge 数据集中成功建模了洗澡水。
May, 2024
利用正则化流模型,在没有明确知道数据集概率密度的情况下,通过最大似然估计训练正则化流,实现从一个数据集到另一个数据集的变形策略,并研究数据点的移动程度以统计匹配两个数据集,同时以特定特征为条件来生成变形函数。
Sep, 2023
提出一种基于正则化流的新型黑盒对抗攻击方式,该方法通过对预先训练的流式模型基本分布进行搜索,生成的对手更加接近原始数据。同时,该研究还展示了该方法相对于已知黑盒对抗攻击方法的竞争性能。
Jul, 2020