An hybrid Tykhonov method for neutron spectrum unfolding
考虑了一种带加速算法的混合迭代Tykhonov正则化方法。用Bonner球系统测量的两个中子能谱展开图说明了这种方法。
2005-06-30 math-ph math.MP nucl-ex
An Iterative, Dynamically Stabilized(IDS) Method of Data Unfolding
我们描述了一个迭代展开方法的实验数据，利用正则化函数。使用这个函数可以建立一个改进的归一化程序的蒙特卡罗光谱，无偏的数据中可能存在的新结构。我们展开，在一个动态稳定的方式，数据光谱，可以强烈影响的背景减除波动，同时重建结构，最初没有模拟。
2011-06-15 hep-ex physics.data-an
A practical way to regularize unfolding of sharply varying spectra with low data statistics
展开是粒子物理学中的一个成熟工具。然而，一个天真的应用程序的标准正则化技术展开质子的动量谱在负μ子核捕获过程中导致的结果显示非物理的文物。有限的数据样本限制了可以执行展开的范围，从而引入了截止。一个急剧下降的“真”分布导致了截止点附近的低数据统计，这加剧了正则化偏差，并在所得光谱中产生了非物理尖峰。已经开发出一种改进的方法来解决这些问题，并使用玩具模型进行说明。该方法使用完整的泊松似然数据，并产生一个连续的，物理上合理的，展开的分布。新技术具有广泛的适用性，因为具有类似特征的光谱，如急剧下降的光谱，是常见的。
2019-06-19 physics.data-an
An iterative, dynamically stabilized method of data unfolding
我们提出了一种新的迭代展开方法的实验数据，利用正则化函数。使用这个函数可以建立一个改进的归一化程序的蒙特卡罗光谱，无偏的数据中可能存在的新结构。我们能够展开，在一个动态稳定的方式，数据光谱，可以强烈地受到波动的背景减除，同时重建结构，最初没有模拟。当执行校正系统检测器效应的事件传输时，该方法还允许控制展开光谱的bin之间引入的相关性的量。
2009-07-22 hep-ex physics.data-an
Empirical Bayes unfolding of elementary particle spectra at the Large Hadron Collider
我们考虑所谓的展开问题，在实验高能物理，其中的目标是估计的真实光谱的基本粒子的观测扭曲的测量误差，由于有限的分辨率的粒子探测器。这是一个重要的统计逆问题，出现在欧洲核子研究中心的大型强子对撞机的数据分析。在数学上，该问题被形式化为一个间接观察到的泊松点过程的强度函数的估计。粒子物理学家特别热衷于展开方法，这些方法具有选择正则化强度的原则性方法，并允许量化解决方案中固有的不确定性。尽管实验物理学家已经考虑了许多方法，但可以说，这些方法中很少（如果有的话）以令人满意的方式处理这两个关键问题。在本文中，我们建议攻击的展开问题的框架内的经验贝叶斯估计：我们认为贝叶斯估计的系数的基础扩展的未知强度，使用正则化前，并采用蒙特卡罗期望最大化算法找到边际最大似然估计的超参数控制强度的正则化。由于超参数的数据驱动选择，使用经验贝叶斯后验得到的可信区间失去了它们的主观贝叶斯解释。由于这些间隔的性质和意义知之甚少，我们探索使用的bootstrap rescue构建纯粹的频率置信带的真实强度。所提出的方法的性能证明使用模拟和实际数据从大型强子对撞机。
2014-01-31 hep-ex physics.data-an stat.AP
Shape-constrained uncertainty quantification in unfolding steeply falling elementary particle spectra
高能物理展开问题是CERN大型强子对撞机（LHC）数据分析中的一个重要统计反问题。展开的目的是从粒子探测器有限分辨率的测量结果中对粒子谱进行非参数推断。以前的展开方法使用专门的离散化和正则化，导致置信区间的覆盖率显著低于其标称水平。而不是正则化使用粗糙度惩罚或停止迭代方法早期，我们施加物理动机的形状约束：积极性，单调性和凸性。我们量化的不确定性，通过构建一个非参数的置信集的真实光谱，包括所有这些光谱，满足形状的约束，并预测在适当校准的拟合水平的观察。投影该集合产生光谱的所有泛函的同时置信区间，包括箱内的平均值。置信区间保证了保守的频率有限样本覆盖率的重要和具有挑战性的一类展开问题急剧下降的粒子光谱。我们证明了该方法使用模拟，模仿展开包容性射流横向动量谱在大型强子对撞机。形状约束的间隔提供了有用的紧保守的推断，而传统的方法遭受严重的覆盖不足。
2017-06-08 hep-ex physics.data-an stat.AP
Statistical unfolding of elementary particle spectra: Empirical Bayes estimation and bias-corrected uncertainty quantification
我们认为，高能物理展开的问题，其目标是估计基本粒子的观察扭曲的粒子探测器的有限分辨率的光谱。在欧洲核子研究中心的大型强子对撞机的数据分析中出现的这一重要的统计逆问题包括估计间接观察到的泊松点过程的强度函数。展开通常分两步进行：首先产生未知强度的正则化点估计，然后使用该估计的可变性来形成量化解的不确定性的频率论置信区间。在本文中，我们建议使用经验贝叶斯估计形成点估计，通过边际极大似然估计实现正则化强度的数据驱动选择。由于正则化点估计的固有偏差，贝叶斯可信区间和标准Bootstrap置信区间都不能很好地覆盖该问题，本文引入了一种迭代偏差校正Bootstrap技术来构造改进的置信区间.我们使用模拟表明，这使我们能够实现几乎标称频率覆盖，只有适度增加间隔长度。所提出的方法被应用到展开的$Z$玻色子不变的质谱在大型强子对撞机的CMS实验中测量。
2015-11-17 hep-ex physics.data-an stat.AP
Empirical-Bayes Unfolding of $γ$-ray Spectra
University of Oslo（奥斯陆大学）；Norwegian Nuclear Research Centre（挪威核研究中心）；Center for Computing in Science Education, University of Oslo（奥斯陆大学计算科学教育中心）
提出一种经验贝叶斯分层解谱方法，保留泊松计数结构、强制非负性并通过联合ON/OFF似然纳入背景，使用No-U-Turn采样器进行后验推断，提供分辨率受限解谱的不确定度带。
2026-06-25 astro-ph.IM nucl-ex physics.data-an
Intrinsic regularization effect in Bayesian nonlinear regression scaled by observed data
奥卡姆剃刀是一个指导原则，模型应该足够简单，以描述观察到的数据。虽然贝叶斯模型选择（BMS）体现了它的内在正则化效应（IRE），如何观察到的数据规模的IRE还没有得到充分的理解。在具有条件独立观测值的非线性回归中，我们证明了IRE是由观测值的精细度来衡量的，由观测数据的数量和质量来定义。我们引入了一个可观测的，量化的IRE，称为贝叶斯比热，灵感来自统计推断和统计物理之间的对应关系。我们推导出它与观测精细度的标度关系。我们证明了BMS选择的最优模型在观测精细度的临界值处会随着IRE的变化而变化。随着观测精细度的增加，从选择粗粒度模型到选择细粒度模型的变化。我们的研究结果扩大了BMS的典型性时，观察到的数据是不够的理解。
2022-12-06 cond-mat.dis-nn math.ST physics.data-an
Bayesian estimation of regularization and PSF parameters for Wiener-Hunt deconvolution
Laboratoire des Signaux et Systèmes（信号与系统实验室）；CNRS（法国国家科学研究中心）；Univ. Paris-Sud 11（巴黎第十一大学）；Laboratoire d’Intégration du Matériau au Système（材料到系统集成实验室）；ENSEIRB（国立波尔多高等电子、计算机信息与无线电通信学院）；Univ. Bordeaux 1（波尔多第一大学）；ENSCPB（国立波尔多高等物理与化学学院）
本文研究了PSF参数和超参数联合估计的图像反卷积问题。在贝叶斯框架内，通过对未知参数和对象的全局后验律来推断解决方案。该估计值被选为后验均值，通过Monte-Carlo马尔可夫链算法进行数值计算。在傅立叶域中有效地计算了估计值，并在仿真例子上显示了该方法的有效性。结果表明，PSF参数和超参数的精确估计，以及精确的图像估计，包括恢复高频和空间细节，在一个全球性的和连贯的方法。
2010-04-30 cs.CV physics.data-an stat.CO
Learning the Standard Model Manifold: Bayesian Latent Diffusion for Collider Anomaly Detection
Istituto Nazionale di Fisica Nucleare - Sezione di Padova（意大利国家核物理研究所帕多瓦分部）；Luleå University of Technology（吕勒奥理工大学）；Universal Scientific Education and Research Network (USERN)（通用科学教育与研究网络）
本文提出基于贝叶斯潜在扩散模型的碰撞数据异常检测框架，结合概率编码与潜在空间扩散动力学，通过物理约束提升密度估计稳定性，通过实验验证其在LHC喷注数据中的有效性。
2026-03-26 hep-ex physics.data-an
A path-integral approach to Bayesian inference for inverse problems using the semiclassical approximation
我们演示了如何路径积分经常使用的理论物理问题，可以适应于提供一个机器在函数空间中执行贝叶斯推断。这样的推论自然是在研究从常微分方程或偏微分方程（ODE，PDE）中恢复连续（无限维）系数函数的反问题中，这是一个典型的不适定问题。使用$L^2$函数空间对这些问题进行正则化（Tikhonov正则化）相当于使用高斯先验的贝叶斯概率推理。逆问题正则化的贝叶斯解释是有用的，因为它允许量化和表征逆问题解决方案中的误差和精度，以及检查在解决问题时所做的假设-即正则化的主观选择是否与先验知识兼容。使用路径积分形式主义，贝叶斯推断可以通过各种微扰技术，如半经典近似，我们在这篇手稿中使用。微扰路径积分方法，同时提供了替代计算方法，如马尔可夫链蒙特卡罗（MCMC），也提供了自然的出发点MCMC方法，可用于细化近似。在这篇手稿中，我们说明了一个路径积分制定反问题，并证明它在膜生物物理学的反问题，以及潜在的理论，涉及泊松方程的反问题。
2014-07-22 hep-th math.OC math.ST
