Flow-Based Surrogates for High-Dimensional Likelihoods in Experimental Neutrino Physics
Diese Arbeit zeigt, dass eine hybride Normalizing-Flow-Architektur hochdimensionale, nicht-gaußsche Likelihoods in der experimentellen Neutrinophysik effektiv modellieren kann, wobei sie im Vergleich zu traditionellen Gaußschen Approximationen eine nahezu perfekte Sampling-Effizienz und eine getreue Reproduktion komplexer systematischer Unsicherheiten erreicht.