Image de couverture de livre

Simulation-Prior Independent Neural Unfolding Procedure

Fuente: arXiv

Enregistré dans:

Détails bibliographiques
Auteurs principaux:	Butter, Anja, Heimel, Theo, Huetsch, Nathan, Kagan, Michael, Plehn, Tilman
Format:	Preprint
Publié:	2025
Sujets:	High Energy Physics - Phenomenology Machine Learning High Energy Physics - Experiment
Accès en ligne:	Acceder al recurso
Tags:	Ajouter un tag Pas de tags, Soyez le premier à ajouter un tag!

Documents similaires

The Landscape of Unfolding with Machine Learning
par: Huetsch, Nathan, et autres
Publié: (2024)

Generative Unfolding with Distribution Mapping
par: Butter, Anja, et autres
Publié: (2024)

Precision-Machine Learning for the Matrix Element Method
par: Heimel, Theo, et autres
Publié: (2023)

The MadNIS Reloaded
par: Heimel, Theo, et autres
Publié: (2023)

Analysis-ready Generative Unfolding
par: Butter, Anja, et autres
Publié: (2025)

Differentiable MadNIS-Lite
par: Heimel, Theo, et autres
Publié: (2024)

Generative Unfolding of Jets and Their Substructure
par: Petitjean, Antoine, et autres
Publié: (2025)

Modern Machine Learning for LHC Physicists
par: Plehn, Tilman, et autres
Publié: (2022)

Profile Likelihoods on ML-Steroids
par: Heimel, Theo, et autres
Publié: (2024)

Jet Diffusion versus JetGPT -- Modern Networks for the LHC
par: Butter, Anja, et autres
Publié: (2023)

Unfolding without Iterations, Adversaries, or Surrogates
par: Ore, Ayodele, et autres
Publié: (2026)

How to Unfold Top Decays
par: Favaro, Luigi, et autres
Publié: (2025)

Anomalies, Representations, and Self-Supervision
par: Dillon, Barry M., et autres
Publié: (2023)

Constraining the Higgs Potential with Neural Simulation-based Inference for Di-Higgs Production
par: Mastandrea, Radha, et autres
Publié: (2024)

Extrapolating Jet Radiation with Autoregressive Transformers
par: Butter, Anja, et autres
Publié: (2024)

Advancing Tools for Simulation-Based Inference
par: Bahl, Henning, et autres
Publié: (2024)

Re-Simulation-based Self-Supervised Learning for Pre-Training Foundation Models
par: Harris, Philip, et autres
Publié: (2024)

A Lorentz-Equivariant Transformer for All of the LHC
par: Brehmer, Johann, et autres
Publié: (2024)

Returning CP-Observables to The Frames They Belong
par: Ackerschott, Jona, et autres
Publié: (2023)

The Physics Behind ML-based Quark-Gluon Taggers
par: Vent, Sophia, et autres
Publié: (2025)

Back to the Formula -- LHC Edition
par: Butter, Anja, et autres
Publié: (2021)

How to Understand Limitations of Generative Networks
par: Das, Ranit, et autres
Publié: (2023)

Improving Generative Model-based Unfolding with Schrödinger Bridges
par: Diefenbacher, Sascha, et autres
Publié: (2023)

$\mathcal{CP}$-Analyses with Symbolic Regression
par: Bahl, Henning, et autres
Publié: (2025)

Economical Jet Taggers -- Equivariant, Slim, and Quantized
par: Petitjean, Antoine, et autres
Publié: (2025)

An unfolding method based on conditional Invertible Neural Networks (cINN) using iterative training
par: Backes, Mathias, et autres
Publié: (2022)

Iterative HOMER with uncertainties
par: Butter, Anja, et autres
Publié: (2025)

Neural Posterior Unfolding
par: Acosta, Fernando Torales, et autres
Publié: (2025)

Event-by-event Comparison between Machine-Learning- and Transfer-Matrix-based Unfolding Methods
par: Backes, Mathias, et autres
Publié: (2023)

Neural Scaling Laws for Boosted Jet Tagging
par: Vigl, Matthias, et autres
Publié: (2026)

Full Event Particle-Level Unfolding with Variable-Length Latent Variational Diffusion
par: Shmakov, Alexander, et autres
Publié: (2024)

MadNIS at NLO
par: De Crescenzo, Giovanni, et autres
Publié: (2026)

Kicking it Off(-shell) with Direct Diffusion
par: Butter, Anja, et autres
Publié: (2023)

Moment Unfolding
par: Desai, Krish, et autres
Publié: (2024)

Forecasting Generative Amplification
par: Bahl, Henning, et autres
Publié: (2025)

Discriminative versus Generative Approaches to Simulation-based Inference
par: Sluijter, Benjamin, et autres
Publié: (2025)

Lorentz-Equivariance without Limitations
par: Favaro, Luigi, et autres
Publié: (2025)

Explainable Equivariant Neural Networks for Particle Physics: PELICAN
par: Bogatskiy, Alexander, et autres
Publié: (2023)

Training 3D ResNets to Extract BSM Physics Parameters from Simulated Data
par: Dubey, S., et autres
Publié: (2023)

From Reachability to Learnability: Geometric Design Principles for Quantum Neural Networks
par: Ngairangbam, Vishal S., et autres
Publié: (2026)