FAIR Universe HiggsML 不确定性数据集与竞赛
高能物理 - 唯象学
2025-09-25 v5 机器学习
高能物理 - 实验
数据分析、统计与概率
摘要
FAIR Universe HiggsML 不确定性挑战聚焦于以不完美的模拟器测量基本粒子的物理属性。参赛者需计算并报告关于希格斯玻色子参数的置信区间，同时考虑各种系统（表征）不确定性。该数据集包含 28 个特征和 28 亿个实例的表格数据。每个实例代表一次在瑞士日内瓦巴黎原子核强场碰撞实验中观测到的质子-质子碰撞。这些仿真的特征旨在捕捉不同粒子类型的关键特征，包括主要属性（如能量和三维动量）以及从主要属性中基于领域知识计算得出的派生属性。此外，一个标签特征用于指定每个实例的质子-质子碰撞类型，区分感兴趣的希格斯玻色子事件与三个背景来源。如本文所述，数据集的永久发布允许对新技术进行长期基准测试。描述了包括对比正规化流和通过分类估计密度比在内的领先提交方案。我们的挑战将物理和机器学习社区联合起来，以推进我们对在 AI 技术中处理系统不确定性的理解与方法论的进步。
引用
@article{arxiv.2410.02867,
title = {FAIR Universe HiggsML Uncertainty Dataset and Competition},
author = {Lisa Benato and Wahid Bhimji and Paolo Calafiura and Ragansu Chakkappai and Po-Wen Chang and Yuan-Tang Chou and Sascha Diefenbacher and Jordan Dudley and Ibrahim Elsharkawy and Steven Farrell and Aishik Ghosh and Cristina Giordano and Isabelle Guyon and Chris Harris and Yota Hashizume and Shih-Chieh Hsu and Elham E. Khoda and Claudius Krause and Ang Li and Benjamin Nachman and Peter Nugent and David Rousseau and Robert Schoefbeck and Maryam Shooshtari and Dennis Schwarz and Benjamin Thorne and Ihsan Ullah and Daohan Wang and Yulei Zhang},
journal= {arXiv preprint arXiv:2410.02867},
year = {2025}
}
备注
FAIR Universe HiggsML Uncertainty Challenge Competition, submitted to NeurIPS 2025, Benchmark and Datasets track