基于密度估计的异常检测
高能物理 - 唯象学
2020-05-12 v2 高能物理 - 实验
数据分析、统计与概率
机器学习
摘要
我们利用神经密度估计的最新突破,提出一种新型无监督异常检测技术(ANODE)。通过估计信号区与侧带中数据的概率密度,并将后者插值到信号区,可构造数据相对于本底的对数似然比。该似然比对数据中可能由局域异常导致的过密度具有广泛敏感性。此外,ANODE 方法的一个独特潜在优势是可直接利用学习到的密度估计本底。最后,ANODE 对信号区与侧带间的系统性差异具有鲁棒性,使其比其它方法具有更广的适用性。我们使用 LHC Olympics 2020 R&D 数据集展示了这一新方法的威力。我们展示了 ANODE 如何将双喷注隆起搜寻的显著性提升至最高 7 倍,且本底预测精度达 10%。虽然 LHC 被用作反复出现的示例,但此处开发的方法对物理及更广领域的异常检测具有远为普遍的适用性。
引用
@article{arxiv.2001.04990,
title = {Anomaly Detection with Density Estimation},
author = {Benjamin Nachman and David Shih},
journal= {arXiv preprint arXiv:2001.04990},
year = {2020}
}
备注
28 pages, 11 figures, v2: appendix on optimality, minor modifications, journal version