通过对抗域适应减少高能物理分类器的样本偏差

Jose M. Clavijo; Paul Glaysher; Judith M. Katzy; Jenia Jitsev

通过对抗域适应减少高能物理分类器的样本偏差

机器学习 2021-08-20 v2 机器学习高能物理 - 实验高能物理 - 唯象学

作者: Jose M. Clavijo , Paul Glaysher , Judith M. Katzy , Jenia Jitsev

摘要

我们在无监督设定下应用对抗域适应，以减少有监督高能物理事件分类器训练中的样本偏差。我们利用一个包含事件分类器与域分类器并带有梯度反转层的神经网络，一方面实现对信号与背景事件的分类，另一方面通过对抗域分类损失最小化网络对源自不同MC模型的背景样本响应之间的差异。我们以LHC上 $t\bar{t}H$ 信号对 $t\bar{t}b\bar{b}$ 背景分类的模拟事件为例展示了偏差的成功消除，并讨论了该方法的影响与局限。

关键词

对抗域适应样本偏差高能物理分类器梯度反转层无监督学习 MC模型

引用

@article{arxiv.2005.00568,
  title  = {Adversarial domain adaptation to reduce sample bias of a high energy physics classifier},
  author = {Jose M. Clavijo and Paul Glaysher and Judith M. Katzy and Jenia Jitsev},
  journal= {arXiv preprint arXiv:2005.00568},
  year   = {2021}
}

备注

17 pages, 8 figures, to be submitted to MLST

通过对抗域适应减少高能物理分类器的样本偏差

摘要

关键词

引用

备注

相关论文