基于深度逐层掩码自编码器的持续学习方法用于高能物理中的数据质量监控
高能物理 - 实验
2026-03-04 v1
摘要
机器学习技术已被证明在与传统方法相比能提高异常检测 (AD) 的准确率和效率。这导致 ML 被采纳用于数据质量监控 (DQM) 用例，以监控某些系统的运行情况，以确保其免受不可取或潜在有害异常的影响。在高能物理 (HEP) 领域，由于探测器必须在持续运行且环境严酷的条件下工作，基于静态数据集训练的 ML 模型在 DQM 中将因数据流中自然发生的分布迁移而经历性能下降，除非通过包含持续 ML 技术进行直接缓解。本工作引入 DepthViT，一种轻量级掩码自编码器体系结构，采用独特的 depth-wise 嵌入和 cross-depth 注意力机制，进行高效的 AD 任务。我们发展了一个持续学习框架，其中在最新数据流上训练的 DepthViT 模型将与旧模型集成，以创建更具韧性的整体系统，以应对输入数据流的迁移。在 Compact Muon Solenoid (CMS) 双子对撞机激发对掩码 (hadron calorimeter) 的占用图 across 多个 data-taking campaign 中进行评估，所提出的方法在小和大分布迁移下均保持准确率超过 99%，且在正确异常预测比例与异常数量比例方面保持稳定。除了 HEP，相同的基于集成的持续适应策略可直接应用于数据随时间自然演变的工业监控环境。因此，本工作为具备动态数据环境中持续运行能力的自适应异常检测系统提供了一条路径。
引用
@article{arxiv.2603.02369,
title = {Continual Learning via Ensemble-Based Depth-Wise Masked Autoencoders for Data Quality Monitoring in High-Energy Physics},
author = {Dale Julson and Eric Reinhardt and Andrii Krutsylo and Resham Sohal and Guillermo Fidalgo and Sergei Gleyzer and Emanuele Usai and The CMS HCAL Collaboration},
journal= {arXiv preprint arXiv:2603.02369},
year = {2026}
}