用于共振异常检测的仿真辅助去关联
高能物理 - 唯象学
2021-08-11 v1 高能物理 - 实验
数据分析、统计与概率
机器学习
摘要
越来越多的弱监督和无监督机器学习异常检测方法被提出，以显著扩展大型强子对撞机及其他场所中的搜索项目。这些方法的一个典型例子是共振新物理的搜索，其中可在不变质量谱中进行凸包搜寻（bump hunt）。完全依赖数据的方法面临的一个重大挑战是，它们容易因机器学习分类器对不变质量的依赖而人为地雕刻出虚假的凸包。我们通过将仿真最小程度地引入学习中来探索应对该挑战的两种方案。具体而言，我们研究了仿真辅助无似然异常检测（SALAD）对分类器与不变质量之间相关性的鲁棒性。接下来，我们提出一种新方法，该方法仅使用仿真进行去关联，而使用无标签分类（CWoLa）方法来获得信号灵敏度。使用来自 LHC Olympics 的仿真数据通过完整的背景拟合分析对两种方法进行比较，它们对数据中的相关性均具有鲁棒性。
引用
@article{arxiv.2009.02205,
title = {Simulation-Assisted Decorrelation for Resonant Anomaly Detection},
author = {Kees Benkendorfer and Luc Le Pottier and Benjamin Nachman},
journal= {arXiv preprint arXiv:2009.02205},
year = {2021}
}
备注
17 pages, 7 figures