基于系统不确定性的希格斯信号强度机器学习估计

我们提出了一种基于图神经网络（GNN）的专用方法，用于在系统不确定性条件下提取希格斯玻色子信号强度 $\mu$。该架构包含两个分支：一个确定性图神经网络处理受nuisance参数影响不大的动力学变量，另一个不确定性感知图神经网络通过门控注意力消息传递处理由系统效应调制的输入。它们的输出被融合，以产生信号-背景分类得分。在训练期间，我们对nuisance参数配置进行采样并对其进行损失聚合，以促进分类器在系统偏移下的稳定性，有效地使其输出与nuisance变化不相关。 resulting binned classifier outputs 用于构建泊松似然函数，从而对信号强度进行概然似然扫描，在该过程中nuisance参数通过数值优化进行剖析。我们在FAIR Universe Higgs Uncertainty Challenge数据集上对该框架进行了验证，实现了对信号强度 $\mu$ 及其68.27%置信区间的精确估计，在大规模伪实验中实现了具有竞争力的覆盖率和置信区间宽度。我们的代码"Systematics-Aware Graph Estimator"（SAGE）已公开可用。