CURTAINs Flows For Flows：用最大似然估计构造未观测区域
高能物理 - 唯象学
2023-05-09 v1 机器学习
高能物理 - 实验
摘要
利用生成模型构造背景数据模板的模型无关技术在 LHC 上新物理过程搜寻中展现出巨大前景。我们通过对 CURTAINs 方法的一项重大改进，在两个边带区域之间使用最大似然估计而非最优传输损失来训练条件归一化流。新的训练目标提升了变换后数据的鲁棒性与保真度，且训练更快、更易。我们使用 LHC Olympics 异常检测数据集将性能与先前方法以及当前最优方法进行比较，观察到相对于原始 CURTAINs 方法的灵敏度显著提升。此外，与其他完全数据驱动的方法相比，CURTAINsF4F 覆盖大量信号区域所需的计算资源大幅减少。在高效配置下，可在十个信号区域所需相同时间内训练数量级更多的模型，且性能无显著下降。
引用
@article{arxiv.2305.04646,
title = {CURTAINs Flows For Flows: Constructing Unobserved Regions with Maximum Likelihood Estimation},
author = {Debajyoti Sengupta and Samuel Klein and John Andrew Raine and Tobias Golling},
journal= {arXiv preprint arXiv:2305.04646},
year = {2023}
}
备注
19 pages, 10 figures, 4 tables