.png){kind=icon}
返回
Data-driven high-dimensional statistical inference with generative models
.png){kind=icon}
OA
AI
DOI：10.1007/JHEP11(2025)129.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在LHC的许多测量中，关键在于使用关联的多维信息来区分稀有过程与大的背景，而这因蒙特卡罗模拟中对许多关键背景的建模不佳而变得复杂。在本工作中，我们介绍了HI-SIGMA，一种利用数据驱动背景分布执行非参数高维统计推断的方法。与高能物理中基于模拟推断（Simulation Based Inference）的许多应用不同，HI-SIGMA依赖生成式机器学习模型，而非分类器，来学习高维空间中的信号和背景分布。这些机器学习模型既允许可解释的推断，又同时纳入模型误差和其他系统不确定性的来源。我们通过双希格斯测量在bbγγ末态的简化版本展示了这一方法学，其中双光子共振允许从边带区域对信号区域进行背景插值。我们证明，与标准的基于分类器的方法相比，HI-SIGMA提供了改进的灵敏度，并且系统不确定性可以通过扩展用于直方图分析的方法而直接纳入。
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.5
论文数:
4.0W
被引数:
13.7W
机构
引用论文
.png){kind=icon}
Constraining CP-violation in the Higgs-top-quark interaction using machine-learning-based inference
OAAI
OAAI分享收藏Gaussian process regression as a sustainable data-driven background estimate method at the (HL)-LHC高斯过程回归作为一种可持续的数据驱动背景估计方法，应用于(HL)-LHC。OAAI
OAAI分享收藏分享收藏From optimal observables to machine learning: an effective-field-theory analysis of e+e-→ W+W- at future lepton colliders从最佳可观察量到机器学习: 未来轻子对撞机的e e-→ W W-的有效场理论分析OAAI
OAAI分享收藏
查看更多内容