通过外部密度估计分类异常（CATHODE）

我们提出了一种在 LHC 上搜索超越标准模型（BSM）物理的模型无关新策略，基于对神经密度估计在异常检测中新颖应用的思路。我们的方法称为 Classifying Anomalies THrough Outer Density Estimation (CATHODE)，假设 BSM 信号定域于一个信号区（例如使用不变质量定义）。通过在信号区之外的一组附加特征上训练条件密度估计器，将其插值到信号区内，并从中采样，我们生成遵循背景模型的一组事件。然后我们可以训练一个分类器来区分数据与从背景模型采样的事件，从而逼近最优异常检测器。使用 LHC Olympics R&D 数据集，我们证明 CATHODE 几乎达到最佳可能性能，并显著优于其他旨在增强凸包搜寻的方法（CWoLa Hunting 和 ANODE）。最后，我们证明 CATHODE 对特征间相关性非常鲁棒，即便在更具挑战性的该设定下仍保持近乎最优的性能。