Buchumschlag

Contrastive Normalizing Flows for Uncertainty-Aware Parameter Estimation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Elsharkawy, Ibrahim, Kahn, Yonatan
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Data Analysis, Statistics and Probability Machine Learning High Energy Physics - Experiment High Energy Physics - Phenomenology
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FAIR Universe HiggsML Uncertainty Dataset and Competition
von: Benato, Lisa, et al.
Veröffentlicht: (2024)

Unifying Simulation and Inference with Normalizing Flows
von: Du, Haoxing, et al.
Veröffentlicht: (2024)

Amortized Inference of Multi-Modal Posteriors using Likelihood-Weighted Normalizing Flows
von: Baruah, Rajneil
Veröffentlicht: (2025)

Inductive Simulation of Calorimeter Showers with Normalizing Flows
von: Buckley, Matthew R., et al.
Veröffentlicht: (2023)

Uncertainty Quantification From Scaling Laws in Deep Neural Networks
von: Elsharkawy, Ibrahim, et al.
Veröffentlicht: (2025)

Communicating Likelihoods with Normalising Flows
von: Araz, Jack Y., et al.
Veröffentlicht: (2025)

Flow Matching Beyond Kinematics: Generating Jets with Particle-ID and Trajectory Displacement Information
von: Birk, Joschka, et al.
Veröffentlicht: (2023)

Convolutional L2LFlows: Generating Accurate Showers in Highly Granular Calorimeters Using Convolutional Normalizing Flows
von: Buss, Thorsten, et al.
Veröffentlicht: (2024)

Machine Learning-based Unfolding for Cross Section Measurements in the Presence of Nuisance Parameters
von: Zhu, Huanbiao, et al.
Veröffentlicht: (2025)

Profiling systematic uncertainties in Simulation-Based Inference with Factorizable Normalizing Flows
von: Valsecchi, Davide, et al.
Veröffentlicht: (2026)

Resummed Distribution Functions: Making Perturbation Theory Positive and Normalized
von: Gambhir, Rikab, et al.
Veröffentlicht: (2025)

Neural simulation-based inference of the Higgs trilinear self-coupling via off-shell Higgs production
von: Ghosh, Aishik, et al.
Veröffentlicht: (2025)

How to pick the best anomaly detector?
von: Hein, Marie, et al.
Veröffentlicht: (2025)

SURFing to the Fundamental Limit of Jet Tagging
von: Pang, Ian, et al.
Veröffentlicht: (2025)

Enhancing next token prediction based pre-training for jet foundation models
von: Birk, Joschka, et al.
Veröffentlicht: (2025)

Double Descent and Overparameterization in Particle Physics Data
von: Vigl, Matthias, et al.
Veröffentlicht: (2025)

Robust Anomaly Detection for Particle Physics Using Multi-Background Representation Learning
von: Gandrakota, Abhijith, et al.
Veröffentlicht: (2024)

Finetuning Foundation Models for Joint Analysis Optimization
von: Vigl, Matthias, et al.
Veröffentlicht: (2024)

Neural Scaling Laws for Boosted Jet Tagging
von: Vigl, Matthias, et al.
Veröffentlicht: (2026)

SIGMA: Single Interpolated Generative Model for Anomalies
von: Das, Ranit, et al.
Veröffentlicht: (2024)

Masked Particle Modeling on Sets: Towards Self-Supervised High Energy Physics Foundation Models
von: Golling, Tobias, et al.
Veröffentlicht: (2024)

Particle Transformer for Jet Tagging
von: Qu, Huilin, et al.
Veröffentlicht: (2022)

Cross-Domain Transfer with Particle Physics Foundation Models: From Jets to Neutrino Interactions
von: Krzmanc, Gregor, et al.
Veröffentlicht: (2026)

Learning Symmetry-Independent Jet Representations via Jet-Based Joint Embedding Predictive Architecture
von: Katel, Subash, et al.
Veröffentlicht: (2024)

Interpreting Transformers for Jet Tagging
von: Wang, Aaron, et al.
Veröffentlicht: (2024)

KAN we improve on HEP classification tasks? Kolmogorov-Arnold Networks applied to an LHC physics example
von: Erdmann, Johannes, et al.
Veröffentlicht: (2024)

Reconstruction of boosted and resolved multi-Higgs-boson events with symmetry-preserving attention networks
von: Li, Haoyang, et al.
Veröffentlicht: (2024)

One flow to correct them all: improving simulations in high-energy physics with a single normalising flow and a switch
von: Daumann, Caio Cesar, et al.
Veröffentlicht: (2024)

Neural Scaling Laws for Jet Generation
von: Amram, Oz, et al.
Veröffentlicht: (2026)

Moment Unfolding
von: Desai, Krish, et al.
Veröffentlicht: (2024)

OmniJet-$α$: The first cross-task foundation model for particle physics
von: Birk, Joschka, et al.
Veröffentlicht: (2024)

Universal New Physics Latent Space
von: Hallin, Anna, et al.
Veröffentlicht: (2024)

An unfolding method based on conditional Invertible Neural Networks (cINN) using iterative training
von: Backes, Mathias, et al.
Veröffentlicht: (2022)

Optimal Equivariant Architectures from the Symmetries of Matrix-Element Likelihoods
von: Maître, Daniel, et al.
Veröffentlicht: (2024)

Frequentist Uncertainties on Neural Density Ratios with wifi Ensembles
von: Benevedes, Sean, et al.
Veröffentlicht: (2025)

CaloFlow for CaloChallenge Dataset 1
von: Krause, Claudius, et al.
Veröffentlicht: (2022)

Stabilizing Neural Likelihood Ratio Estimation
von: Acosta, Fernando Torales, et al.
Veröffentlicht: (2025)

BUFF: Boosted Decision Tree based Ultra-Fast Flow matching
von: Jiang, Cheng, et al.
Veröffentlicht: (2024)

Multiple testing for signal-agnostic searches of new physics with machine learning
von: Grosso, Gaia, et al.
Veröffentlicht: (2024)

Signal model parameter scan using Normalizing Flow
von: Saito, Masahiko, et al.
Veröffentlicht: (2024)