结合离群点分析算法以在 LHC 上识别新物理
高能物理 - 唯象学
2020-10-19 v1
摘要
迄今在大型强子对撞机(LHC)上缺乏新物理的证据，促使了模型无关搜索技术的发展。本研究中，我们比较了多种异常检测算法的异常分数：孤立森林、高斯混合模型、静态自编码器以及 β-变分自编码器(VAE)，其中我们将后者的重构损失定义为回归项与分类项的加权组合。我们将这些算法应用于模拟 LHC 数据的 4-矢量，同时也考察了将非 VAE 算法应用于 VAE 所创建的潜空间变量时的性能。此外，我们评估了以多种方式组合这些算法的异常分数时的性能。利用超对称基准点，我们发现，在 VAE 潜空间中训练的算法所产生的异常分数取逻辑与(AND)组合，是所有测试方法中判别新物理最有效的。
引用
@article{arxiv.2010.07940,
title = {Combining outlier analysis algorithms to identify new physics at the LHC},
author = {Melissa van Beekveld and Sascha Caron and Luc Hendriks and Paul Jackson and Adam Leinweber and Sydney Otten and Riley Patrick and Roberto Ruiz de Austri and Marco Santoni and Martin White},
journal= {arXiv preprint arXiv:2010.07940},
year = {2020}
}