高能物理中的最优事件选择与分类，第一部分：信号发现

我们给出了一种训练基于机器学习的最优事件选择器和分类器的方法，以最大化高能物理（HEP）实验中潜在信号超出量的统计显著性，该显著性由六种不同的性能指标之一来量化。对于在若干事件变量分布中进行信号搜索的分析，我们的方法确保事件选择与分类中仅使用那些事件变量之外的互补信息。这消除了典型基于ML的事件选择器和分类器训练中所存在的与分析物理目标（最大化超出显著性）之间的主要错位。此外，这种事件选择器与相关事件变量的去相关，防止了背景分布在信号区因事件选择而变得尖峰化，从而缓解了系统不确定性给信号搜索带来的挑战。我们的事件选择器（分类器）以基于机器学习的分类器输出作为输入，并应用依赖于所分析事件变量的最优选择截断（分类阈值），而非平坦截断（阈值）。这些最优截断和阈值是使用一种与Lloyd的k-means聚类算法相关的新方法迭代学习的。我们提供了名为ThickBrick的公开Python 3实现及使用示例。