反常、表示与自监督
高能物理 - 唯象学
2024-10-29 v2 机器学习
高能物理 - 实验
摘要
我们开发了一种基于密度的反常探测自监督方法，使用对比学习，并用来自 CMS ADC2021 的事件级反常数据进行测试。AnomalyCLR 技术为数据驱动，并以模型无关的方式利用背景数据的增广来模仿非标准模型事件。它使用置换不变的 Transformer Encoder 架构将对撞机事件中测量的对象映射到表示空间，其中数据增广定义了一个对潜在反常特征敏感的表示空间。在背景表示上训练的自编码器随后在表示空间中为多种信号计算反常分数。借助 AnomalyCLR，我们发现与原始数据基线相比，所有信号的性能指标均有显著提升。
引用
@article{arxiv.2301.04660,
title = {Anomalies, Representations, and Self-Supervision},
author = {Barry M. Dillon and Luigi Favaro and Friedrich Feiden and Tanmoy Modak and Tilman Plehn},
journal= {arXiv preprint arXiv:2301.04660},
year = {2024}
}
备注
19 pages, 3 figures, journal version