Cover Your Bases: Asymptotic Distributions of the Profile Likelihood Ratio When Constraining Effective Field Theories in High-Energy Physics
我们调查的渐近分布的轮廓似然比(PLR)约束时,有效场论(EFTs)和威尔克斯定理经常被违反,这意味着我们不应该假设PLR遵循$χ^2$分布。我们推导出正确的渐近分布时,一个或两个真正的EFT耦合调制可观察的截面与一个纯粹的线性或二次依赖。然后,我们发现,当线性和二次项的贡献,PLR分布没有一个简单的形式。在这种情况下,我们提供了一个部分数值解的单参数的情况。使用一种新的方法,我们发现,常数定义我们的渐近分布可以通过实验获得使用阿西莫夫似然轮廓的配置文件。我们的研究结果可以立即用于获得正确的覆盖率时,推导出现实世界的EFT约束使用PLR作为检验统计量。
2022-08-29 hep-ex hep-ph physics.data-an
FlavBit: A GAMBIT module for computing flavour observables and likelihoods
味物理观测量是新物理的极好的探针,直到非常高的能量尺度。在这里,我们提出FlavBit,全球拟合包GAMBIT的专用风味物理模块。FlavBit包括各种可能性例程的自定义实现,用于广泛的风味观测值,包括与LHCb测量B和D介子,K介子和π介子的稀有,轻子和半轻子衰变相关的详细不确定性和相关性。它为SuperIso等外部理论代码提供了通用接口,允许用户计算标准模型内外的风味观测值,然后根据所有相关实验数据对其进行详细测试。我们描述FlavBit和它的组成物理的一些细节,然后给出超对称和有效场论的例子,说明它可以被用来作为一个独立的库的味道物理,并在GAMBIT。
2017-11-28 hep-ex hep-ph physics.data-an
A method of maximum likelihood fit to data with non-uniform efficiencies
本文提出一种以效率为权重的最大似然拟合方法,在保持概率分布函数不受效率影响的同时实现无偏参数估计,并显著降低计算资源消耗。
2023-08-25 hep-ex physics.data-an
Approximate Differentiable Likelihoods for Astroparticle Physics Experiments
本研究针对液氙暗物质直接探测实验传统推断方法的缺陷,在概率编程框架内实现事件模拟器模型的连续近似,以应用基于梯度的高性能推断方法,降低测量不确定度并实现多通道信息的无缝整合。
2024-08-17 hep-ex physics.data-an stat.AP
A model independent safeguard for unbinned Likelihood
我们提出了一个通用的方法,包括剩余的未建模的背景形状的不确定性,基于高能物理和天体粒子物理的统计检验的似然。这种方法提供了一种简单而自然的保护,防止错误建模,从而降低了错误发现或置信区间过度约束的可能性,并允许自然过渡到未分箱空间。未分组似然允许最佳地使用数据和模型的信息,并提高灵敏度。我们发现,在模型无法描述真实背景行为的情况下,可以重新获得检验统计量的渐近行为,并提出模型驱动和数据驱动背景模型的一维和二维案例研究。由此产生的灵敏度惩罚遵循数据和模型之间的实际差异,并随着知识的增加逐渐减少到零。
2016-11-03 astro-ph.IM hep-ex physics.data-an
Matrix Element Method in HEP: Transfer Functions, Efficiencies, and Likelihood Normalization
本文调查的程序用于推导探测器传递函数和归一化概率密度的统计分析技术称为“矩阵元法”的背景下,高能物理(HEP)数据分析。指出并澄清了关于传递函数和效率的常见误解。
2011-01-12 physics.data-an
PhyLiNO: A Forward-Folding Likelihood-Fit Framework for Neutrino Oscillation Physics
本文提出PhyLiNO前向折叠似然拟合框架,可同时处理多实验数据集并利用GPU加速,已成功用于Double Chooz实验并适用于JUNO类实验。
2025-07-02 hep-ex hep-ph physics.comp-ph
Maximum Likelihood Estimation of Drift and Diffusion Functions
极大似然方法适用于由实测时间序列估计随机过程的漂移和扩散函数的问题。我们调和了先前设计的迭代过程[Kleinhans等人,Physics Letters A(346),2005],并将该方法的应用置于坚实的理论基础上。
2007-03-22 physics.data-an q-fin.ST
Maximum likelihood: extracting unbiased information from complex networks
网络模型中自由参数的选择是主观的,因为它取决于被监控的拓扑属性。然而,我们发现,极大似然(ML)的原则表示一个独特的,统计上严格的参数选择,与一个定义良好的拓扑特征。然后,我们发现,如果ML条件与内置参数选择不兼容,网络模型本质上是不明确的或有偏见的。为了克服这个问题,我们构造了一类安全无偏模型。我们还提出了一个扩展这些结果,导致迷人的可能性提取,只有从拓扑数据,“隐藏变量”的基础网络组织,使他们“没有更多的隐藏”。我们在世界贸易网数据上测试了我们的方法,在那里我们只使用拓扑信息来恢复经验GDP。
2008-08-07 cond-mat.dis-nn cond-mat.stat-mech physics.data-an
Partition function approach to non-Gaussian likelihoods: physically motivated convergence criteria for Markov-chains
本文类比统计哈密顿系统,提出维里化、均分和热化等物理动机收敛准则,用于评估Metropolis-Hastings算法在非高斯似然中的收敛性,并借助物理信息神经网络加速采样。
2023-05-11 astro-ph.CO astro-ph.IM physics.data-an
Optimal Equivariant Architectures from the Symmetries of Matrix-Element Likelihoods
Institute for Particle Physics Phenomenology, Department of Physics \ University, Durham DH1 3LE, United Kingdom
本文结合矩阵元方法的对称性与等变神经网络,提出纵向boost等变消息传递架构,在双Higgs四底夸克衰变分类中达到新的最优性能。
2024-10-24 cs.LG hep-ex hep-ph
A method for approximating optimal statistical significances with machine-learned likelihoods
机器学习技术已成为高能物理学的基础,对于新的物理学搜索,了解它们在实验灵敏度方面的表现至关重要,即信号加背景假设相对于背景假设的统计显着性。只有一个。我们在这里提出了一种简单的方法,该方法将当前机器学习技术的力量与传统分析中使用的基于似然的推理测试相结合,以面对高维数据,这使我们能够通过单个感兴趣的参数(信号强度)来估计发现和排除限制的灵敏度。基于监督学习技术,它也可以很好地处理高维数据,而传统技术不能。我们首先将该方法应用于玩具模型,因此我们可以探索其潜力,然后应用于LHC研究处于双喷射末态的新物理粒子。考虑到最佳的统计意义,我们会得到一个,如果真正的生成函数是已知的,我们表明,我们的方法提供了一个更好的近似比通常的天真计数实验结果。
2022-11-09 astro-ph.IM hep-ex hep-ph
The Well-Tempered Likelihood: Honest Confidence Intervals for Misspecified Models
Stanford University(斯坦福大学);SLAC National Accelerator Laboratory(史丹福直线加速器中心);Massachusetts Institute of Technology(麻省理工学院);Institut des Hautes Études Scientifiques(高等科学研究所);CEA Paris-Saclay(巴黎萨克雷原子能委员会)
研究针对粒子物理等领域模型错误设定时标准置信区间失效的问题,提出适度似然性方法,通过除以拟合优度统计量,使置信区间自我限制,给出分箱和不分箱公式并经实例验证。
2026-07-24 hep-ex hep-ph physics.data-an
What is the most competitive sport?
我们提出了一个广泛的统计分析的结果,所有的体育比赛在五个主要的体育联赛在英国和美国。我们通过赛季末排名数据中获胜分数的方差来表征球队之间的平价,并通过比赛结果数据中的干扰频率来量化比赛的可预测性。我们引入了一个数学模型,在该模型中,处于劣势的球队以固定的爆冷概率获胜。该模型定量地将球队之间的势均力敌与比赛的可预测性联系起来,并且可以用于从排名数据中估计爆冷频率。我们建议将颠覆的可能性作为竞争力的衡量标准。
2005-12-15 cond-mat.stat-mech physics.data-an physics.soc-ph
Optimal statistical inference in the presence of systematic uncertainties using neural network optimization based on binned Poisson likelihoods with nuisance parameters
科学中的数据分析,例如,高能粒子物理,往往是一个棘手的可能性,如果观测和观察跨越一个高维输入空间。通常,通过使用特征工程和直方图降低维度来解决该问题,其中后一种技术允许使用泊松统计来建立可能性。然而,在存在由似然中的滋扰参数表示的系统不确定性的情况下,具有关于感兴趣的参数的信息的最小损失的最佳降维是未知的。这项工作提出了一种新的策略来构建特征工程的神经网络降维和直方图的差分公式,以便可以使用统计推断的结果优化整个工作流程,例如,目标参数的方差。我们讨论了这种方法是如何导致在一个简单的例子的基础上伪实验和一个更复杂的例子,从高能粒子物理的兴趣,接近最佳的参数估计和该技术的适用性证明。
2021-01-13 physics.data-an stat.ML
Analysis of power-law exponents by maximum-likelihood maps
极大似然指数映射已被研究作为一种技术,以增加理解和提高幂律指数的实验和数值模拟数据,特别是当他们表现出上,下截止的拟合。通过分析三维随机场伊辛模型数值模拟中的地震数据、声发射数据和雪崩数据,对该技术的使用进行了测试。在不同的例子中,我们讨论了指数映射中观察到的偏差的性质,并得出了一些相关的结论,为每个现象背后的物理。
2012-02-15 cond-mat.stat-mech physics.data-an
Learning Likelihood Ratios with Neural Network Classifiers
针对数据/模拟驱动模型似然比计算困难的问题,本研究利用似然比技巧,通过实证对比不同损失函数与输出参数化的神经网络分类器在高斯分布及高能物理模拟数据集上的似然比近似性能。
2024-01-08 hep-ph physics.data-an stat.AP