新物理时代中的提升决策树：以超伴子分析为例的研究
高能物理 - 唯象学
2022-05-26 v2 高能物理 - 实验
计算物理
摘要
机器学习算法在粒子物理分析中日益流行，因其善于解决困难的分类与回归问题。尽管这些工具非常强大，却常未被充分利用或遭误用。下文我们研究梯度提升技术在通用粒子物理问题中的适用方式。我们以超越标准模型的超伴子对撞机分析为例，其适用于当前及未来强子对撞机，并将结果与传统的计数截断（cut-and-count）方法比较。特别地，我们审视了不平衡数据集（高能物理问题的特征）中指标的使用，通过对F-score指标的新颖运用，提供广泛使用的曲线下面积（auc）指标的替代方案。我们深入比较了基于主成分分析、Shapley值与特征置换方法的特性选择与探究，希望其对未来粒子物理分析具有广泛适用性。此外，我们表明机器学习模型可拓展传统计数截断分析所得的95%置信水平排除限，同时有可能规避复杂特征选择之需。最后，我们讨论了构建适用于探测二维质量平面的通用机器学习模型之可能。
引用
@article{arxiv.2109.11815,
title = {Boosted decision trees in the era of new physics: a smuon analysis case study},
author = {Alan S. Cornell and Wesley Doorsamy and Benjamin Fuks and Gerhard Harmsen and Lara Mason},
journal= {arXiv preprint arXiv:2109.11815},
year = {2022}
}
备注
35 pages, 7 images