| |  Online-Ressource |
|---|
| Verfasst von: | Butter, Anja [VerfasserIn]  |
|---|
| | Heimel, Theo [VerfasserIn] |
|---|
| | Hummerich, Sander [VerfasserIn] |
|---|
| | Krebs, Tobias [VerfasserIn] |
|---|
| | Plehn, Tilman [VerfasserIn] |
|---|
| | Rousselot, Armand [VerfasserIn] |
|---|
| | Vent, Sophia [VerfasserIn] |
|---|
| Titel: | Generative networks for precision enthusiasts |
|---|
| Verf.angabe: | Anja Butter, Theo Heimel, Sander Hummerich, Tobias Krebs, Tilman Plehn, Armand Rousselot, and Sophia Vent |
|---|
| E-Jahr: | 2021 |
|---|
| Jahr: | 9 Dec 2021 |
|---|
| Umfang: | 27 S. |
|---|
| Fussnoten: | Gesehen am 15.09.2022 |
|---|
| Titel Quelle: | Enthalten in: De.arxiv.org |
|---|
| Ort Quelle: | [S.l.] : Arxiv.org, 1991 |
|---|
| Jahr Quelle: | 2020 |
|---|
| Band/Heft Quelle: | (2020), Artikel-ID 2110.13632, Seite 1-27 |
|---|
| Abstract: | Generative networks are opening new avenues in fast event generation for the LHC. We show how generative flow networks can reach percent-level precision for kinematic distributions, how they can be trained jointly with a discriminator, and how this discriminator improves the generation. Our joint training relies on a novel coupling of the two networks which does not require a Nash equilibrium. We then estimate the generation uncertainties through a Bayesian network setup and through conditional data augmentation, while the discriminator ensures that there are no systematic inconsistencies compared to the training data. |
|---|
| DOI: | doi:10.48550/arXiv.2110.13632 |
|---|
| URL: | Bitte beachten Sie: Dies ist ein Bibliographieeintrag. Ein Volltextzugriff für Mitglieder der Universität besteht hier nur, falls für die entsprechende Zeitschrift/den entsprechenden Sammelband ein Abonnement besteht oder es sich um einen OpenAccess-Titel handelt.
Volltext ; Verlag: https://doi.org/10.48550/arXiv.2110.13632 |
|---|
| | Volltext: http://arxiv.org/abs/2110.13632 |
|---|
| | DOI: https://doi.org/10.48550/arXiv.2110.13632 |
|---|
| Datenträger: | Online-Ressource |
|---|
| Sprache: | eng |
|---|
| Sach-SW: | Computer Science - Machine Learning |
|---|
| | High Energy Physics - Phenomenology |
|---|
| K10plus-PPN: | 1808512138 |
|---|
| Verknüpfungen: | → Sammelwerk |
|---|
Generative networks for precision enthusiasts / Butter, Anja [VerfasserIn]; 9 Dec 2021 (Online-Ressource)
