用频率学派方法学习不确定性：高能物理中的校准与关联
高能物理 - 唯象学
2023-09-26 v4 高能物理 - 实验
数据分析、统计与概率
摘要
校准是一个常见的实验物理问题，其目标是在给定测量量X的情况下推断不可观测量Z的值与不确定性。此外，人们希望量化X与Z相关的程度。在本文中，我们提出了一个机器学习框架，用于执行具有高斯不确定性估计的频率学派最大似然推断，该框架还量化了不可观测量与测量量之间的互信息。该框架利用Kullback-Leibler散度的Donsker-Varadhan表示——以新颖的高斯Ansatz参数化——以在单次训练中同时提取最大似然值、不确定性和互信息。我们通过从大型强子对撞机上CMS探测器的模拟中提取喷注能量修正和分辨率因子来演示我们的框架。通过利用喷注内部的高维特征空间，我们将CMS标称喷注分辨率提高了15%以上。
引用
@article{arxiv.2205.03413,
title = {Learning Uncertainties the Frequentist Way: Calibration and Correlation in High Energy Physics},
author = {Rikab Gambhir and Benjamin Nachman and Jesse Thaler},
journal= {arXiv preprint arXiv:2205.03413},
year = {2023}
}
备注
7 pages, 1 figure, 1 table, code available at https://github.com/rikab/GaussianAnsatz; v3: minor updates to match journal version; v4: reference updates