小信号情形下的超越截断分析——利用机器学习增强中微子探测灵敏度
高能物理 - 唯象学
2023-07-10 v4 机器学习
摘要
我们研究了在背景占主导且信号与背景可观测量高度重叠的情况下，通过机器学习增强 LHC 上新物理搜寻的灵敏度。我们使用两种不同的模型，XGBoost 和深度神经网络，来利用可观测量之间的关联，并将该方法与传统的截断计数法进行比较。我们考虑了不同的方法来分析模型的输出，发现模板拟合通常优于简单的截断。通过 Shapley 分解，我们进一步洞察了事件运动学与机器学习模型输出之间的关系。我们考虑了一个具有亚稳中微子的超对称情形作为具体例子，但该方法论可应用于更广泛的一类模型。
引用
@article{arxiv.2108.03125,
title = {Beyond Cuts in Small Signal Scenarios -- Enhanced Sneutrino Detectability Using Machine Learning},
author = {Daniel Alvestad and Nikolai Fomin and Jörn Kersten and Steffen Maeland and Inga Strümke},
journal= {arXiv preprint arXiv:2108.03125},
year = {2023}
}
备注
Published in The European Physical Journal C. The Version of Record is available online at: https://doi.org/10.1140/epjc/s10052-023-11532-9