基础物理学中群体异常检测的新方法与数据集
机器学习
2021-07-08 v1 机器学习
高能物理 - 实验
高能物理 - 唯象学
摘要
数据中异常过密区域的识别——群体或集体异常检测——是一个具有大量现实应用的重要问题。然而，与点异常或其他类型的单实例离群点相比，它在更广泛的机器学习（ML）社区中受到的关注相对较少。原因之一在于缺乏有力的基准数据集。在本文中，我们首先解释在诺贝尔奖级别的希格斯玻色子发现之后，无监督群体异常检测如何成为基础物理学的新前沿（其动机是寻找新粒子和力）。然后我们提出一个用于群体异常检测算法开发的现实合成基准数据集（LHCO2020）。最后，我们比较了几种现有的统计上可靠的无监督群体异常检测技术，并展示了它们在LHCO2020数据集上的性能。
引用
@article{arxiv.2107.02821,
title = {New Methods and Datasets for Group Anomaly Detection From Fundamental Physics},
author = {Gregor Kasieczka and Benjamin Nachman and David Shih},
journal= {arXiv preprint arXiv:2107.02821},
year = {2021}
}
备注
Accepted for ANDEA (Anomaly and Novelty Detection, Explanation and Accommodation) Workshop at KDD 2021