論文の概要: Profiling systematic uncertainties in Simulation-Based Inference with Factorizable Normalizing Flows

• arxiv url: http://arxiv.org/abs/2602.13184v1
• Date: Fri, 13 Feb 2026 18:48:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:54.084002
• Title: Profiling systematic uncertainties in Simulation-Based Inference with Factorizable Normalizing Flows
• Title（参考訳）: 予測可能な正規化流を用いたシミュレーションベース推論における系統的不確実性の推定
• Authors: Davide Valsecchi, Mauro Donegà, Rainer Wallny,
• Abstract要約: そこで本研究では,ニュアンスパラメータを効率的にプロファイリングするシミュレーションベース推論の汎用フレームワークを提案する。 本稿では,分類可能な正規化フローを導入し,体系的な変動を名目密度のパラメトリックとしてモデル化する。 我々は,単一最適化プロセスにおけるニュアンスパラメータに対するDoIの条件依存を学習する償却訓練戦略を開発する。 これにより、基礎となる分布の同時抽出とニュアンセの堅牢なプロファイリングが可能となる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unbinned likelihood fits aim at maximizing the information one can extract from experimental data, yet their application in realistic statistical analyses is often hindered by the computational cost of profiling systematic uncertainties. Additionally, current machine learning-based inference methods are typically limited to estimating scalar parameters in a multidimensional space rather than full differential distributions. We propose a general framework for Simulation-Based Inference (SBI) that efficiently profiles nuisance parameters while measuring multivariate Distributions of Interest (DoI), defined as learnable invertible transformations of the feature space. We introduce Factorizable Normalizing Flows to model systematic variations as parametric deformations of a nominal density, preserving tractability without combinatorial explosion. Crucially, we develop an amortized training strategy that learns the conditional dependence of the DoI on nuisance parameters in a single optimization process, bypassing the need for repetitive training during the likelihood scan. This allows for the simultaneous extraction of the underlying distribution and the robust profiling of nuisances. The method is validated on a synthetic dataset emulating a high-energy physics measurement with multiple systematic sources, demonstrating its potential for unbinned, functional measurements in complex analyses.
• Abstract（参考訳）: 未結合の確率は、実験データから抽出できる情報を最大化することを目的としているが、現実的な統計解析におけるそれらの応用は、体系的な不確実性をプロファイリングする計算コストによってしばしば妨げられる。 さらに、現在の機械学習ベースの推論手法は、完全な微分分布ではなく、多次元空間におけるスカラーパラメータの推定に限られている。 特徴空間の可学習的可逆変換として定義される多変量分布(DoI)を計測しながら,ニュアンスパラメータを効率的にプロファイリングするシミュレーションベース推論(SBI)の一般的なフレームワークを提案する。 本研究では, パラメータ密度のパラメトリック変形をモデルとし, 複合爆発を伴わずにトラクタビリティを保ちながら, 系統的変動をモデル化するFactizable Normalizing Flowsを提案する。 重要なこととして、我々は単一の最適化プロセスにおいて、DoIのニュアンスパラメータに対する条件依存を学習し、オプティマススキャン中の反復トレーニングの必要性を回避できるアモータイズトレーニング戦略を開発する。 これにより、基礎となる分布の同時抽出とニュアンセの堅牢なプロファイリングが可能となる。 この方法は、高エネルギー物理測定を複数の系統的な情報源でエミュレートした合成データセット上で検証され、複素解析における非結合機能測定の可能性を示す。

関連論文リスト

• Equivariant Evidential Deep Learning for Interatomic Potentials [55.6997213490859]
  不確かさの定量化は、分子動力学シミュレーションにおける機械学習の原子間ポテンシャルの信頼性を評価するために重要である。 既存のMLIPのUQアプローチは、高い計算コストや準最適性能によって制限されることが多い。 我々は,原子間ポテンシャルの定量的深層学習(texte2$IP)を提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:00:25Z)
• Disordered Dynamics in High Dimensions: Connections to Random Matrices and Machine Learning [52.26396748560348]
  ランダム行列によって駆動される高次元力学系について概説する。 機械学習理論における学習と一般化の単純なモデルへの応用に焦点を当てる。
  論文  参考訳（メタデータ） (2026-01-03T00:12:32Z)
• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• Density Estimation via Binless Multidimensional Integration [45.21975243399607]
  非パラメトリック、ロバスト、およびデータ効率の高い密度推定のためのBinless Multidimensional Thermodynamic Integration (BMTI)法を提案する。 BMTIは、近隣のデータポイント間の対数密度差を計算し、その密度の対数を推定する。 この方法は様々な複雑な合成高次元データセットでテストされ、化学物理学の文献から現実的なデータセットでベンチマークされる。
  論文  参考訳（メタデータ） (2024-07-10T23:45:20Z)
• Probabilistic Numeric SMC Sampling for Bayesian Nonlinear System Identification in Continuous Time [0.0]
  工学において、ノイズによって汚染されたデータから非線形力学系を正確にモデル化することは必須かつ複雑である。 連続時間常微分方程式(ODE)の統合は、理論モデルと離散サンプリングデータとの整合に不可欠である。 本稿では,非線形力学系の結合パラメータ-状態同定におけるODEの確率論的数値解法の適用例を示す。
  論文  参考訳（メタデータ） (2024-04-19T14:52:14Z)
• Statistical Mechanics of Dynamical System Identification [2.8820361301109365]
  我々はスパース方程式探索アルゴリズムを解析するための統計力学手法を開発した。 与えられたモデルの雑音を推定する閉ループ推定法を提案する。 このスパース方程式発見の観点は万能であり、他の様々な方程式発見アルゴリズムに適応することができる。
  論文  参考訳（メタデータ） (2024-03-04T04:32:28Z)
• Uncertainty quantification and out-of-distribution detection using surjective normalizing flows [46.51077762143714]
  本稿では,深層ニューラルネットワークモデルにおける分布外データセットの探索的正規化フローを用いた簡単なアプローチを提案する。 本手法は, 流通外データと流通内データとを確実に識別できることを示す。
  論文  参考訳（メタデータ） (2023-11-01T09:08:35Z)
• A Causality-Based Learning Approach for Discovering the Underlying Dynamics of Complex Systems from Partial Observations with Stochastic Parameterization [1.2882319878552302]
  本稿では,部分的な観測を伴う複雑な乱流系の反復学習アルゴリズムを提案する。 モデル構造を識別し、観測されていない変数を復元し、パラメータを推定する。 数値実験により、新しいアルゴリズムはモデル構造を同定し、多くの複雑な非線形系に対して適切なパラメータ化を提供することに成功した。
  論文  参考訳（メタデータ） (2022-08-19T00:35:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。