半监督异常检测——迈向新物理的模型无关搜索

高能物理中使用的 most 分类算法属于监督机器学习范畴。此类方法需要包含信号和背景事件的训练集，并且如果训练数据因假设的蒙特卡洛 (MC) 模型而系统性地不准确，则容易产生分类错误。为了补充此类依赖模型的搜索，我们提出了一种基于半监督异常检测技术的算法，该方法不需要信号数据的 MC 训练样本。我们首先使用多元高斯混合模型对背景进行建模。然后通过将背景模型与多个额外高斯分布的混合拟合观测值，搜索与该模型的偏差。这使我们能够执行对背景上任何异常过剩的模式识别。通过与神经网络分类器的比较，我们表明，与监督分类相比，这种方法对信号 MC 的错误设定具有更强的鲁棒性。在存在意外信号的情况下，神经网络可能无法正确识别它，而异常检测则不受此类限制。另一方面，当训练数据中没有系统误差时，两种方法的表现相当。