利用白盒对抗攻击增强高能物理中的泛化能力
高能物理 - 唯象学
2025-07-29 v3 机器学习
摘要
机器学习在粒子物理领域的应用日益普及。使用标注的 Monte Carlo (MC) 模拟的监督学习，仍然是区分超出标准模型信号的最常用方法之一。然而，本文表明监督模型可能过度依赖于 Monte Carlo 模拟的伪影和近似，这可能限制其对真实数据的泛化能力。本研究旨在通过减小局部极小值的锐度来增强监督模型的泛化特性。本文回顾了四种不同的白盒对抗攻击在 Higgs 玻色子衰变信号分类中的应用。这些攻击分为权重空间攻击和特征空间攻击。为了研究和量化不同局部极小值的锐度，本文提出了两种分析方法：梯度上升和降阶 Hessian 特征值分析。结果表明，白盒对抗攻击显著提升了泛化性能，尽管计算复杂度有所增加。
引用
@article{arxiv.2411.09296,
title = {Enhancing generalization in high energy physics using white-box adversarial attacks},
author = {Franck Rothen and Samuel Klein and Matthew Leigh and Tobias Golling},
journal= {arXiv preprint arXiv:2411.09296},
year = {2025}
}
备注
14 pages, 7 figures, 10 tables, 3 algorithms, published in Physical Review D (PRD), presented at the ML4Jets 2024 conference