We introduce the DNNLikelihood, a novel framework to easily encode, through deep neural networks (DNN), the full experimental information contained in complicated likelihood functions (LFs). We show how to efficiently parametrise the LF, treated as a multivariate function of parameters of interest and nuisance parameters with high dimensionality, as an interpolating function in the form of a DNN predictor. We do not use any Gaussian approximation or dimensionality reduction, such as marginalisation or profiling over nuisance parameters, so that the full experimental information is retained. The procedure applies to both binned and unbinned LFs, and allows for an efficient distribution to multiple software platforms, e.g. through the framework-independent ONNX model format. The distributed DNNLikelihood can be used for different use cases, such as re-sampling through Markov Chain Monte Carlo techniques, possibly with custom priors, combination with other LFs, when the correlations among parameters are known, and re-interpretation within different statistical approaches, i.e. Bayesian vs frequentist. We discuss the accuracy of our proposal and its relations with other approximation techniques and likelihood distribution frameworks. As an example, we apply our procedure to a pseudo-experiment corresponding to a realistic LHC search for new physics already considered in the literature.A preprint version of the article is available at ArXiv.

中文翻译：

---

DNNL的可能性：通过深度学习增强可能性分布

我们介绍了DNNLikelihood，这是一个易于通过深度神经网络（DNN）轻松编码复杂似然函数（LF）中包含的全部实验信息的新颖框架。我们展示了如何有效地将LF参数化，将其作为感兴趣参数和具有高维的讨厌参数的多元函数，作为DNN预测器形式的内插函数。我们不使用任何高斯近似或降维，例如边缘化或干扰参数分布图，以便保留完整的实验信息。该过程适用于装箱的和未装箱的LF，并且允许有效地分发到多个软件平台，例如通过独立于框架的ONNX模型格式。分布式DNNLikelihood可用于不同的用例，例如，当已知参数之间的相关性时，通过马尔可夫链蒙特卡罗技术（可能使用自定义先验）进行重新采样，以及与其他LF结合使用，以及在不同的统计方法（即贝叶斯vs频率论者）中进行重新解释。我们讨论了我们提案的准确性及其与其他近似技术和似然分布框架的关系。例如，我们将程序应用于伪实验，该伪实验对应于文献中已经考虑的对新物理学的逼真的LHC搜索。我们讨论了我们提案的准确性及其与其他近似技术和似然分布框架的关系。例如，我们将程序应用于伪实验，该伪实验对应于文献中已经考虑的对新物理学的逼真的LHC搜索。我们讨论了我们提案的准确性及其与其他近似技术和似然分布框架的关系。例如，我们将程序应用于伪实验，该伪实验对应于文献中已经考虑的对新物理学的逼真的LHC搜索。该文章的预印本可从ArXiv获得。