残差 ANODE
高能物理 - 唯象学
2023-12-20 v1 机器学习
高能物理 - 实验
数据分析、统计与概率
摘要
我们提出了 R-ANODE，一种用于数据驱动、模型无关的共振异常检测的新方法，该方法在性能和可解释性方面均提升了标准。R-ANODE 的关键在于，通过将归一化流直接拟合到小而未知的信号成分上，同时固定从边带学习到的背景模型（同样是归一化流），从而增强异常检测任务的归纳偏置。如此一来，R-ANODE 能够胜过所有基于分类器的弱监督方法，也优于此前对所有信号区数据而非仅对信号拟合密度估计器的 ANODE 方法。我们证明，无论未知的信号比例是学习得到还是固定不变的，该方法同样有效，甚至在信号比例误设时也具有鲁棒性。最后，利用学习到的信号模型，我们可以进行采样并获取对潜在异常的定性见解，这极大增强了共振异常检测的可解释性，并提供了同时发现和表征可能隐藏在数据中的新物理的可能性。
引用
@article{arxiv.2312.11629,
title = {Residual ANODE},
author = {Ranit Das and Gregor Kasieczka and David Shih},
journal= {arXiv preprint arXiv:2312.11629},
year = {2023}
}
备注
9 pages, 6 figures