基于分布映射的生成式去折叠
Generative Unfolding with Distribution Mapping
AI总结：
本文扩展薛定谔桥和直接扩散两种变形技术，确保学习正确条件概率，使分布映射精度媲美最先进条件生成去折叠方法，并在单喷注子结构和Z+2喷注22维相空间数据集上验证。
摘要：
机器学习使得无分箱、高度微分的截面测量成为可能。近期的一种思路是利用生成模型将初始模拟变形为去折叠后的数据。我们展示了如何扩展两种变形技术——薛定谔桥和直接扩散——以确保模型学习到正确的条件概率。这将分布映射的精度提升到与最先进的条件生成式去折叠方法相当的水平。数值结果在标准基准数据集（单喷注子结构）以及描述Z+2喷注22维相空间的新数据集上进行了展示。
英文摘要：
Machine learning enables unbinned, highly-differential cross section measurements. A recent idea uses generative models to morph a starting simulation into the unfolded data. We show how to extend two morphing techniques, Schrödinger Bridges and Direct Diffusion, in order to ensure that the models learn the correct conditional probabilities. This brings distribution mapping to a similar level of accuracy as the state-of-the-art conditional generative unfolding methods. Numerical results are presented with a standard benchmark dataset of single jet substructure as well as for a new dataset describing a 22-dimensional phase space of Z + 2-jets.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
