There have been many applications of deep neural networks to detector calibrations and a growing number of studies that propose deep generative models as automated fast detector simulators. We show that these two tasks can be unified by using maximum likelihood estimation (MLE) from conditional generative models for energy regression. Unlike direct regression techniques, the MLE approach is prior-independent and non-Gaussian resolutions can be determined from the shape of the likelihood near the maximum. Using an ATLAS-like calorimeter simulation, we demonstrate this concept in the context of calorimeter energy calibration.
Differentially Private Normalizing Flows for Density Estimation, Data Synthesis, and Variational Inference with Application to Electronic Health Records
Latent Variable Modelling with Hyperbolic Normalizing Flows
McGill University（麦吉尔大学）；Mila（米拉研究所）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）
近似后验分布的选择在随机变分推理（SVI）中起着核心作用。一个有效的解决方案是使用归一化流\cut{defined on Euclidean spaces}来构造灵活的后验分布。然而，现有的规范化流的一个关键限制是，它们被限制在欧几里德空间，并且不适合对具有底层层次结构的数据进行建模。为了解决这个基本的限制，我们提出了规范化流的双曲空间的第一个扩展。我们首先提升规范化流双曲空间使用耦合变换定义的切丛，称为切线耦合（$\mathcal{TC}$）。我们进一步介绍了包裹双曲面耦合（$\mathcal{W}\mathbb{H}C$），一个完全可逆的和可学习的变换，明确利用双曲空间的几何结构，允许表达后验，同时是有效的采样。我们证明了我们的新的归一化流的双曲VAE和欧几里得归一化流的功效。我们的方法提高了密度估计的性能，以及表现出分层结构的真实世界图数据的重建。最后，我们表明，我们的方法可以用来权力的生成模型在分层数据使用双曲型潜变量。
Efficient parameter inference for gravitational wave signals in the presence of transient noises using temporal and time-spectral fusion normalizing flow
Fast Parameter Inference on Pulsar Timing Arrays with Normalizing Flows
Rutgers University（罗格斯大学）；Cornell University（康奈尔大学）；Vanderbilt University（范德堡大学）；University of Florida（佛罗里达大学）；University of California Santa Cruz（加州大学圣克鲁兹分校）
Robust parameter inference for Taiji via time-frequency contrastive learning and normalizing flows
Northeastern University（东北大学）；Institute of Mechanics, Chinese Academy of Sciences（中国科学院力学研究所）；University of Chinese Academy of Sciences (UCAS)（中国科学院大学）；International Centre for Theoretical Physics Asia-Pacific (ICTP-AP)（亚太理论物理中心）
Incorporating neutron star physics into gravitational wave inference with physics-informed priors using normalizing flows
Utrecht University（乌得勒支大学）；Nikhef（尼黑国家粒子物理研究所）；Universität Potsdam（波茨坦大学）；Max Planck Institute for Gravitational Physics (Albert Einstein Institute)（马克斯·普朗克引力物理研究所（爱因斯坦研究所））
