基于机器学习的共振异常检测方法的互补性
高能物理 - 唯象学
2024-03-15 v2 高能物理 - 实验
数据分析、统计与概率
摘要
基于机器学习（ML）的异常检测（AD）方法是拓展超越标准模型（BSM）物理搜寻覆盖面的有前景工具。其中一类备受关注的 AD 方法是共振异常检测，其假设 BSM 至少在一个已知变量中局域化。尽管已提出许多利用模拟或探测数据以不同方式识别此类 BSM 信号的方法，但尚未有关于这些方法互补性的研究。为此，我们解决两个问题。第一，在没有任何信号的情况下，不同方法是否会挑选相同的类信号事件？若否，则可通过在同一数据集上比较不同方法显著降低假阳性率。第二，若存在信号，不同方法是否完全相关？即使其最大性能相同，由于我们不知信号量多少，组合多种方法可能有益。利用大型强子对撞机（LHC）奥林匹克数据集，我们为这些问题提供了定量答案。我们发现组合多种方法可带来显著增益，这将强化 LHC 及更广大范围的搜寻计划。
引用
@article{arxiv.2307.11157,
title = {The Interplay of Machine Learning--based Resonant Anomaly Detection Methods},
author = {Tobias Golling and Gregor Kasieczka and Claudius Krause and Radha Mastandrea and Benjamin Nachman and John Andrew Raine and Debajyoti Sengupta and David Shih and Manuel Sommerhalder},
journal= {arXiv preprint arXiv:2307.11157},
year = {2024}
}
备注
27 pages, 21 figures. Updated with revisions for journal acceptance