深度极端特征提取：高能物理中搜索粒子的新MVA方法

本文提出深度极端特征提取（DEFE），一种用于高能物理中搜索希格斯玻色子τ+τ−道的新集成MVA方法。DEFE可视为一种深度集成学习方案，其训练一组强多样性神经特征学习器，而无需显式鼓励多样性或惩罚相关性。这是通过采用一个隐式神经控制器（不参与前馈计算）实现的，该控制器直接控制并分配来自高层深度预测网络的梯度流。这种与模型无关的控制器使得每个学到的局部特征都被用于特征到输出的映射阶段，避免了特征的盲目平均。DEFE使集成“深度”化，在于它允许对这些特征进行深度后处理，试图学习以选择和抽象神经特征学习器的集成。应用该模型，可通过训练一个微型碰撞事件集获得充满信号过程的筛选区域。与经典深度神经网络相比，DEFE展现出最先进（state-of-the-art）性能：错误率降低约37%，准确率首次突破90%，且发现显著性达到6.0 $\sigma$的标准差。实验数据显示，DEFE能够训练出一组判别性特征学习器的集成，从而提升最终预测的超额性能。