基于带拒识的神经分类降低干扰物导致的检测限与定量不确定度
数据分析、统计与概率
2022-07-27 v1 机器学习
高能物理 - 实验
仪器与探测器
摘要
物理科学中的许多测量可归结为计数实验，其中某物理现象的发生次数反映了该现象源的出现频次。通常，物理现象（称为信号）的检测难以与自然发生现象（称为本底）区分。此时，可利用分类器将信号事件与本底区分开，其范围可从简单的基于阈值的分类器到复杂的神经网络。这些分类器常经训练与验证以获得最优准确率，然而我们表明，最优准确率分类器一般并不等同于提供最低检测限或最低定量不确定度的分类器。我们给出了基于分类器的计数实验情形下检测限与定量不确定度的推导。我们还提出了一种新颖的拒识机制，用于 \emph{事后} 最小化检测限或定量不确定度。我们在来自物理科学的两个数据集上说明了该方法：在气体正比计数器中区分 Ar-37 与 Ar-39 放射性衰变与非放射性事件，以及在无机闪烁体中区分中子与光子，并报道了相关结果。
引用
@article{arxiv.2205.07609,
title = {Reduction of detection limit and quantification uncertainty due to interferent by neural classification with abstention},
author = {Alex Hagen and Ken Jarman and Jesse Ward and Greg Eiden and Charles Barinaga and Emily Mace and Craig Aalseth and Anthony Carado},
journal= {arXiv preprint arXiv:2205.07609},
year = {2022}
}
备注
Preprint submitted to Nuclear Instruments and Methods in Physics Research,\ A 12 pages, 10 figures