基于机器学习的展开技术用于含噪声参数的横截面测量
应用统计
2026-01-16 v2 高能物理 - 实验
高能物理 - 唯象学
数据分析、统计与概率
机器学习
摘要
对测量的横截面进行统计校正以消除探测器效应是在众多应用领域中的重要步骤。在粒子物理学中，这一逆问题被称为展开。在复杂仪器的情况下，探测器引入的失真往往只能通过探测器仿真模型隐式地了解。现代机器学习已使基于仿真的展开方法能够高效地处理高维数据。其中一种在实验数据上成功部署的首批方法是 OmniFold 算法，这是一种基于分类器的期望最大化程序。实际中，前向模型只能近似指定，并且通过噪声参数编码其相应的不确定性。基于已广泛研究的 OmniFold 算法，我们展示了如何将机器学习基于的展开扩展到包含噪声参数。我们的新算法称为 Profile OmniFold，使用高斯示例以及来自大型强子对撞机实验室 CMS 实验的粒子物理案例研究进行演示。
引用
@article{arxiv.2512.07074,
title = {Machine Learning-based Unfolding for Cross Section Measurements in the Presence of Nuisance Parameters},
author = {Huanbiao Zhu and Krish Desai and Mikael Kuusela and Vinicius Mikuni and Benjamin Nachman and Larry Wasserman},
journal= {arXiv preprint arXiv:2512.07074},
year = {2026}
}