鲁棒性喷注标记的帕累托前沿
高能物理 - 唯象学
2026-04-01 v2 机器学习
高能物理 - 实验
摘要
利用强子喷注组分的运动学信息对喷注进行分类是现代高能对撞机物理中的一项关键任务。通常，分类器的设计目标是利用诸如准确率、AUC 或排斥率等指标来追求最佳性能。然而，使用单一指标可能导致采用比竞争方案更依赖模型的架构，从而在分析中引入潜在的不确定性和偏差。我们探索了此类权衡，并展示了使用高性能指标但低鲁棒性网络的后果。
引用
@article{arxiv.2509.19431,
title = {The Pareto Frontier of Resilient Jet Tagging},
author = {Rikab Gambhir and Matt LeBlanc and Yuanchen Zhou},
journal= {arXiv preprint arXiv:2509.19431},
year = {2026}
}
备注
6 pages, 2 figures and 2 tables. Version presented at the 39th Conference on Neural Information Processing Systems (NeurIPS 2025) Workshop: Machine Learning and the Physical Sciences. 6 December, 2025; San Diego, California, USA