Finite Asimov Sample Construction in Unbinned Neural Simulation-Based Inference

=== RESUMO ===

Resumo Técnico: Construção de Amostra Asimov Finita em Inferência Baseada em Simulação Neural Não Agrupada

Declaração do Problema
Na análise frequentista utilizando Inferência Baseada em Simulação Neural (NSBI), especificamente a Estimativa de Razão Neural (NRE), o cálculo da sensibilidade esperada exige frequentemente a aproximação de um conjunto de dados Asimov não agrupado (unbinned). Tradicionalmente, isso é alcançado por meio de grandes amostras de Monte Carlo (MC) ponderadas. No entanto, esta abordagem apresenta dois desafios significativos:

1. Flutuações de Amostra Finita: Mesmo com amostras grandes, as flutuações finitas de MC deslocam o máximo de verossimilhança dos parâmetros geradores reais, levando à instabilidade nas varreduras de estatísticas de teste esperadas.
2. Custo Computacional: Avaliar verossimilhanças em milhões de eventos para varreduras repetidas é computacionalmente caro. Por exemplo, o experimento ATLAS relata maximizações de verossimilhança neste regime que exigem $O(10\text{--}20)$ horas de CPU e $O(100\text{--}500)$ GB de memória.

Os autores abordam a necessidade de um método que permita que a amostra de integração seja escolhida pela precisão da varredura, em vez de meramente para o cancelamento aproximado de escores, enfrentando diretamente o problema do deslocamento por amostra finita.

Metodologia
O artigo propõe uma construção para uma amostra de referência ponderada finita onde os parâmetros geradores maximizam globalmente a verossimilhança ponderada. O método baseia-se em razões de densidade aprendidas entre uma distribuição alvo $p(x; \theta)$ e uma distribuição de referência independente de parâmetros $p_{ref}(x)$.

1. Estimativa de Razão: A NRE é usada para estimar a razão $r_{\psi}(x; \theta) \approx p(x; \theta) / p_{ref}(x)$ através de um classificador $D_{\psi}$.
2. Pontos de Referência Fixos: Um conjunto fixo de pontos de referência $X_M = \{(x_m, \omega_m)\}_{m=1}^M$ é extraído de $p_{ref}$, onde $\omega_m$ são pesos que somam 1. Estes pontos permanecem fixos durante toda a análise.
3. Normalização e Intensidade: Para qualquer valor de parâmetro $\theta$, o método calcula normalizadores $Z_s(\theta)$ para cada componente do processo $s$ usando os pontos fixos e as razões aprendidas. A função de intensidade $h(x; \theta)$ é construída combinando os rendimentos esperados $\lambda_s(\theta)$ e as razões, normalizados por $Z_s(\theta)$.
4. Atribuição de Peso Asimov: Em um ponto gerador pré-determinado $\theta_A$, pesos Asimov $w_m^A$ são atribuídos aos pontos fixos com base nas massas de intensidade finitas $v_m(\theta_A)$.
5. Construção de Verossimilhança: Uma função de log-verossimilhança ponderada $\ell_{A,M}(\theta)$ é definida usando estes pesos. Crucialmente, a distribuição de referência cancela-se na estatística de razão de log-verossimilhança de perfil negativo, preservando os maximizadores.

Principais Contribuições

• Teorema 2.1 (Fechamento Asimov de Amostra Finita): Os autores provam que, se as massas de intensidade forem estritamente positivas e as restrições auxiliares forem maximizadas nos parâmetros geradores, o ponto gerador $\theta_A$ é um maximizador global da log-verossimilhança ponderada construída para qualquer tamanho de amostra $M$. Isso garante que o conjunto de dados Asimov recupere exatamente os parâmetros geradores, eliminando o deslocamento causado pelas flutuações de MC finitas.
• Eficiência Algorítmica: A construção permite o uso de um número muito pequeno de pontos de integração (ex: $M=256$) para gerar varreduras de sensibilidade esperada estáveis, desacoplando a precisão da varredura da necessidade de massivos tamanhos de amostra.
• Tratamento de Sistemáticas: O framework acomoda parâmetros de incerteza (nuisance parameters) e restrições auxiliares, com notas específicas sobre como as sistemáticas de normalização (força do sinal) diferem das sistemáticas de forma em relação ao requisito de atualização de normalizadores.

Resultados
Os autores validam o método usando um modelo de brinquedo (toy model) inspirado em física de altas energias (HEP) com um espaço de observáveis de cinco dimensões, misturas Gaussianas correlacionadas e dispersão de detector Gaussiana.

• Estabilidade e Precisão: Em varreduras em uma força de sinal de $\mu_A = 1$, um conjunto de dados Asimov com apenas 256 eventos ponderados reproduziu de perto as varreduras de estatística de teste esperadas obtidas com 2 milhões de eventos de referência simulados.
  • A média da estatística de descoberta $q_{0,A}$ para $M=256$ foi 3,20 (desvio padrão 0,11), comparada a 3,24 para a grande amostra de referência.
  • Amostras convencionais com $M=256$ falharam em localizar o mínimo corretamente (frequentmente atingindo o limite), e mesmo em $M = 2 \times 10^6$, os ajustes convencionais mostraram um desvio padrão de 0,09 entre as repetições.
• Acordo de Distribuição: As distribuições da estatística de teste derivadas das pequenas amostras Asimov corrigidas concordaram com pseudo-experimentos baseados em simulador independentes ($10^5$ tentativas). Este acordo confirmou que as razões de densidade aprendidas foram bem treinadas.
• Ganho Computacional: O método reduz significativamente a carga computacional para construir varreduras de estatística de teste esperadas, exigindo apenas algumas centenas de pontos de integração comparáveis aos bins em uma análise agrupada (binned) de grande escala.

Significância e Alegações
O artigo alega que esta construção aborda um grande gargalo computacional em fluxos de trabalho de NSBI, como os usados no experimento ATLAS. Ao garantir que os parâmetros geradores maximizem globalmente a verossimilhança em uma amostra finita, o método fornece varreduras de sensibilidade esperada estáveis e precisas com ordens de magnitude a menos de eventos do que o anteriormente exigido.

No entanto, os autores mantêm uma postura modesta e rigorosa em relação às limitações:

• Dependência de Validação: O acordo com o simulador depende inteiramente da precisão das razões aprendidas. O método não corrige erros nas próprias razões aprendidas; a validação explícita contra simuladores independentes continua sendo necessária.
• Requisitos de Treinamento: A abordagem não reduz o tamanho da simulação necessário para treinar e validar os estimadores neurais. Os grandes conjuntos de dados ainda são necessários para a fase inicial de aprendizado.
• Natureza Assintótica: O cálculo da significância de descoberta baseia-se em aproximações assintóticas (suposições de Wald), que são separadas do teorema exato de amostra finita-$M$ referente à localização do máximo.
• Comportamento de Cauda: Diferenças residuais em caudas esparsamente povoadas podem surgir de erros de razão, bancos de simulação finitos ou da aproximação assintótica, necessitando de validação de simulador e potencial calibração.

Em resumo, o artigo demonstra que um conjunto de dados Asimov de amostra finita, construído via normalização de razão consistente, pode substituir massivos conjuntos de amostras de MC ponderadas para o propósito específico de gerar varreduras de estatística de teste esperadas, desde que as razões de densidade subjacentes sejam aprendidas e validadas com precisão.