通过多实例学习提升低信噪情景下的信息抽取
机器学习
2025-12-03 v2 高能物理 - 实验
摘要
本文提出一种关于多实例学习（MIL）的新颖信息论视角，用于i.i.d.数据的参数估计，展示MIL在低信噪情景下能优于单实例学习器。先前工作[ Nachman and Thaler, 2021] 认为单实例方法通常足够，但该结论预设了足够的单实例信号来训练接近最优的分类器。我们表明，即使是最先进的单实例模型，在具有挑战性的低信噪情景下也无法达到最优分类器性能，而MIL可缓解这种次优问题。作为具体应用，我们约束了标准模型有效场论（SMEFT）中的威尔逊系数，使用大型强子对撞机（LHC）中亚原子粒子碰撞事件的动力学信息。在实验中，我们观察到在特定建模和弱信号条件下，池化实例可提高有效Fisher信息，相较于单实例方法。
引用
@article{arxiv.2508.07114,
title = {Increasing Information Extraction in Low-Signal Regimes via Multiple Instance Learning},
author = {Atakan Azakli and Bernd Stelzer},
journal= {arXiv preprint arXiv:2508.07114},
year = {2025}
}
备注
Referenced prior work to better frame the contribution