Giada Badaracco

用有限训练集拟合的生成模型永远不等于真实密度，因此任何足够灵敏的拟合优度检验都会在测试样本足够大时拒绝它，即使模型族本身完全正确。SIGMA把高斯混合模型的参数不确定度用得分函数与Fisher信息写成可处理的协方差，再把传统点零假设检验升级为把这些不确定度作为冗余参数一并剖面化的复合零假设检验。在二维玩具模型和QCD背景的喷注嵌入基准上，计入不确定度后同一模型可在比标准检验大一个数量级的测试集上保持可信。

用有限训练集拟合的生成模型永远不等于真实密度，因此任何足够灵敏的拟合优度检验都会在测试样本足够大时拒绝它，即使模型族本身完全正确。SIGMA把高斯混合模型的参数不确定度用得分函数与Fisher信息写成可处理的协方差，再把传统点零假设检验升级为把这些不确定度作为冗余参数一并剖面化的复合零假设检验。在二维玩具模型和QCD背景的喷注嵌入基准上，计入不确定度后同一模型可在比标准检验大一个数量级的测试集上保持可信。