将物理先验融入弱监督异常检测
高能物理 - 唯象学
2025-04-03 v3 高能物理 - 实验
摘要
我们提出了一种新的基于机器学习的异常检测策略，用于将数据与纯背景参考进行比较（一种弱监督形式）。当信号过于稀少或存在许多无用特征时，以往策略的灵敏度会显著下降。我们的先验辅助弱监督（PAWS）方法融入了来自一类信号模型的信息，以显著增强弱监督方法的搜索灵敏度。只要真实信号属于预先指定的类别，PAWS 就能在不提前指定精确参数的情况下，匹配专用全监督方法的灵敏度。在 LHC Olympics 异常检测基准数据集上，我们结合半监督和弱监督学习的方法，将截面上的灵敏度相比以往方法提升了 10 倍。此外，如果我们在输入中加入无关（噪声）维度，经典方法在截面上的灵敏度会再下降 10 倍，而 PAWS 对噪声保持不敏感。这种新方法可应用于多种场景，并推进了完全模型不可知方法与完全模型特定搜索之间的灵敏度前沿。
引用
@article{arxiv.2405.08889,
title = {Incorporating Physical Priors into Weakly-Supervised Anomaly Detection},
author = {Chi Lung Cheng and Gup Singh and Benjamin Nachman},
journal= {arXiv preprint arXiv:2405.08889},
year = {2025}
}
备注
7 pages, 2 figures. v3: Fixed reference typo