半监督置换不变的粒子级异常检测
高能物理 - 唯象学
2025-07-11 v1
摘要
开发以模型无关方式区分潜在标准模型之外现象的分析方法，可以显著提高对撞机实验的发现范围。然而，用于此任务的典型机器学习 (ML) 算法需要固定长度和有序的输入，这破坏了碰撞事件中自然的置换不变性。为了解决这个问题，本文提出了一种半监督异常检测工具，该工具接受可变数量的粒子级输入，并利用信号模型通过 Particle Flow Network (PFN) 的监督训练将此信息编码为置换不变的事件级表示。然后将数据事件编码为该表示，并作为输入提供给自动编码器，用于在粒子流潜在空间 (ANTELOPE) 上进行无监督异常检测，基于低级和置换不变的输入建模对异常事件进行分类。ANTELOPE 架构的性能在高能对撞机实验的强子过程模拟样本上进行了评估，结果显示出区分不同新物理模型的良好能力。
引用
@article{arxiv.2408.17409,
title = {Semi-supervised permutation invariant particle-level anomaly detection},
author = {Gabriel Matos and Elena Busch and Ki Ryeong Park and Julia Gonski},
journal= {arXiv preprint arXiv:2408.17409},
year = {2025}
}
备注
12 pages, 6 figures