对 $b \to c$ 反常的“深度”探究：基于自归一化神经网络的标准化且面向未来的模型选择

注意到信息论方法（如赤池信息准则（AIC））在小样本量进行模型选择时倾向于误选较简单模型的错误倾向，我们在本文中通过采用特定机器学习算法（自归一化神经网络，即 SNN）在模型无关框架中做监督分类与回归，处理 $b\to c \tau \nu_{\tau}$ 衰变中的新物理模型选择问题。真实数据集上分类结果同 AIC 比较，SNN 在模型选择各方面均优于 AIC$_c$；回归结果同贝叶斯分析比较，所得参数空间差异显著但最大后验（MAP）估计相近。发现若干含张量型相互作用的双算符情形是该数据最可能的解。我们还用 Belle-II 中预期的更精确数据检验了训练网络的效力。我们提供了训练好的网络及关联功能供学界使用。