对抗神经网络的机器学习不确定性

机器学习是一种强大的工具,可以揭示和利用多维参数空间中的相关性。 从这种相关性进行预测是一项非常艰巨的任务,特别是当尚未完全理解理论模型的基本动力学细节时。 使用对抗网络,我们可以在训练过程中包括系统和理论不确定性的先验来源。 这为在逐个事件的基础上实现更可靠的事件分类铺平了道路,并为执行粒子物理数据的参数拟合提供了新颖的方法。 我们在一个示例中明确考虑了希格斯玻色子生产与喷头的有效场论扩展,明确证明了该方法的优势。