TRANSIT：将事件转化为新质量——弱监督异常搜索的快速背景插值
高能物理 - 唯象学
2025-05-27 v2 机器学习
高能物理 - 实验
摘要
我们提出了一种用于条件和连续数据形变的新模型——TRansport Adversarial Network for Smooth InTerpolation（TRANSIT）。我们将其应用于为LHC上的弱监督搜索创建背景数据模板。该方法平滑地将边带事件转换以匹配信号区域的质量分布。我们使用LHC Olympics R&D数据集展示了TRANSIT的性能。该模型捕获特征的非线性质量关联，并产生一个与最先进的基于传输的模板生成器相比具有竞争力异常灵敏度的模板。此外，TRANSIT所需的计算训练时间比竞争性深度学习方法低一个数量级。这使其非常适合迭代处理多个信号区域和信号模型的分析。与必须学习完整概率密度分布（即所有变量之间的关联）的生成模型不同，所提出的传输模型只需学习分布的平滑条件偏移。这允许使用更简单、更高效的残差架构，使与质量无关的特征不变地通过网络，而与质量相关的特征则相应调整。此外，我们证明模型的潜在空间提供了一组与质量解相关的特征，可用于无需背景塑形的异常检测。
引用
@article{arxiv.2503.04342,
title = {TRANSIT your events into a new mass: Fast background interpolation for weakly-supervised anomaly searches},
author = {Ivan Oleksiyuk and Svyatoslav Voloshynovskiy and Tobias Golling},
journal= {arXiv preprint arXiv:2503.04342},
year = {2025}
}
备注
37 pages, 15 figures