多事件一体：从对撞机多个事件同时学习
数据分析、统计与概率
2021-06-23 v3 高能物理 - 实验
高能物理 - 唯象学
机器学习
摘要
近期已有若干提案，通过将许多不同事件组合为单一集成特征，来增强对撞机物理中机器学习策略的性能。为评估这些提案的有效性，我们在对撞机事件独立同分布（IID）的假设下研究单事件分类器与多事件分类器之间的联系。我们展示了如何由单事件分类器构建最优多事件分类器，也展示了如何构造能产生最优单事件分类器的多事件分类器。这通过一个高斯示例以及对于大型强子对撞机上搜索与测量相关的分类任务加以说明。我们将讨论扩展至回归任务，展示其如何表述为参数化分类器。经验上，我们发现训练单事件（逐实例）分类器比训练多事件（逐集成）分类器更有效，至少在我们所研究的情形中如此，并将此事实关联于两种情形下损失函数梯度的性质。虽然我们未在对撞机语境中识别出使用多事件分类器的明确益处，我们推测这些方法在仅涉及近似独立的情况（如喷注子结构研究相关）中具有潜在价值。
引用
@article{arxiv.2101.07263,
title = {E Pluribus Unum Ex Machina: Learning from Many Collider Events at Once},
author = {Benjamin Nachman and Jesse Thaler},
journal= {arXiv preprint arXiv:2101.07263},
year = {2021}
}
备注
17 pages, 10 figures, 1 table; v2: added footnote about GAN training and added exponential example in appendix; v3: minor updates to match journal version