Flow-Based Surrogates for High-Dimensional Likelihoods in Experimental Neutrino Physics
Dit artikel으로 toont aan dat een hybride normalizing flow-architectuur effectief hoogdimensionale, niet-Gaussische likelihoods in experimentele neutrinofysica kan modelleren, waarbij een bijna perfecte sampling-efficiëntie en een getrouwe reproductie van complexe systematische onzekerheden worden bereikt in vergelijking met traditionele Gaussische benaderingen.