基于 Neyman-Pearson 检验的拟合优度
高能物理 - 唯象学
2024-05-15 v2 机器学习
摘要
若从数据中通过探索丰富的参数化模型族来选取备择假设，同时控制统计涨落的影响，则 Neyman-Pearson 假设检验策略可用于拟合优度检验。新物理学习机（NPLM）方法正是作为该思想的具体实现而发展起来，旨在高能对撞机实验背景下探测新物理效应。本文将该拟合优度方法与其它方法进行比较，特别是与和 NPLM 高度相似的基于分类器的策略比较。比较表明，NPLM 对数据相对预期分布的微小偏离更为敏感，且不会偏向探测特定类型的异常。这些特性使其适用于对撞机实验中的无偏向新物理搜寻。其在其它科学与工业场景中的部署值得研究。
引用
@article{arxiv.2305.14137,
title = {Goodness of fit by Neyman-Pearson testing},
author = {Gaia Grosso and Marco Letizia and Maurizio Pierini and Andrea Wulzer},
journal= {arXiv preprint arXiv:2305.14137},
year = {2024}
}
备注
38 pages; improved presentation and writing throughout the paper