面向LHC分箱似然分析的系统不确定性感知神经网络训练开发
高能物理 - 实验
2025-12-01 v2 高能物理 - 唯象学
数据分析、统计与概率
摘要
我们提出一种能够在训练过程中考虑数据模型系统变异效应的神经网络训练方法，并描述其向神经网络多类分类的扩展。该方法在CMS实验中对赫姆斯玻子通过氮气融合和矢量玻色子融合生产的测量中进行了评估。神经网络输出函数用于推断赫姆斯玻子包 Inclusive生产的信号强度，以及通过氮气融合和矢量玻色子融合的生产。我们观察到相对于基于交叉熵的常规神经网络训练，氮气融合和矢量玻色子融合的信号强度不确定性分别提高了12%和16%。
引用
@article{arxiv.2502.13047,
title = {Development of systematic uncertainty-aware neural network trainings for binned-likelihood analyses at the LHC},
author = {CMS Collaboration},
journal= {arXiv preprint arXiv:2502.13047},
year = {2025}
}
备注
Replaced with the published version. Added the journal reference and the DOI. All the figures and tables can be found at http://cms-results.web.cern.ch/cms-results/public-results/publications/MLG-23-005 (CMS Public Pages)