.png){kind=icon}
返回
Communicating likelihoods with normalising flows
.png){kind=icon}
OA
AI
DOI：10.1140/epjc/s10052-026-16045-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种基于机器学习的工作流程，用于从样本中建模非分箱似然函数。与现有方法相比的关键进展是使用严格的统计检验（如联合分布的柯尔莫哥洛夫-斯米尔诺夫检验）对学习到的似然函数进行验证。我们的方法能够可靠地传递实验和现象学似然函数以供后续分析。我们通过高能物理中的三个案例研究展示了其有效性。为支持更广泛的应用，我们提供了一个开源的参考实现nabu。
期刊
IF:
4.8
论文数:
1.8W
被引数:
4.7W
机构
引用论文
.png){kind=icon}
查看更多内容