用于异常检测的信号感知对比潜在空间

粒子物理事件中的高维特征空间对基于密度估计的弱监督异常检测构成了根本性挑战，其保真度随维度增加而迅速退化。我们提出了一种利用监督对比学习在模拟标准模型本底和多样化的超越标准模型（BSM）信号集上训练的信号感知潜在空间构建方法。所得潜在空间是低维、正则化且信号敏感的，可为下游弱监督异常检测实现高保真度密度估计。我们在双光子末态中展示了该方法，在广泛的BSM场景（包括超对称模型、扩展希格斯扇区、重中性共振和味改变中性流）中测试了灵敏度。对于在对比训练数据中表示的信号，该方法可将发现灵敏度从此前不可及的水平提升至发现区域。关键的是，该方法保留了对训练中未出现的BSM模型的灵敏度：对未见信号拓扑的插值与外推在期望显著性方面相比纯本底基线取得了实质性提升。通过将监督潜在空间嵌入与弱监督异常检测相结合，该策略为在LHC及更高能区的高维特征空间中进行异常检测提供了一条可行路径。