Factorizable Normalizing Flows for parameter-dependent density morphing
Factorizable Normalizing Flows(FNF)는 물리학 등 과학 분야에서 연속적인 파라미터에 따라 확률 밀도가 변형되는 문제를 다루기 위해, 기준 분포를 위한 고정 플로우와 파라미터에 대해 다항식이며 인수분해(factorized)된 학습 가능 변환을 결합한 구조를 제안한다. 각 파라미터의 효과를 독립적으로 학습하고 추론 시 합산으로 결합함으로써 결합 파라미터 공간의 지수적 탐색 없이 선형 확장성과 해석 가능성을 유지하며, 고에너지 물리학의 비구간(unbinned) 우도 피팅에 직접 적용 가능함을 실험으로 검증했다.