用于中微子-液氩相互作用机器学习重构的链式模型中的不确定性传播
数据分析、统计与概率
2025-02-05 v3 高能物理 - 实验
计算物理
摘要
由于灵活性和易于开发，顺序或链式模型在科学应用的机器学习中日益普遍。当任务可分解为具有有意义的中间表示层次的离散步骤时，链式模型特别有用。在可靠性关键任务中，量化模型推理的置信度很重要。然而，链式模型给不确定性量化带来了额外挑战，特别是当需要传播输入不确定性时。在这种情况下，需要一个完全不确定性感知的模型链，其中每一步接受输入空间上的概率分布，并产生输出空间上的概率分布。在本工作中，我们展示了一个案例研究，用于调整现有链中的单个模型，该模型专为中微子-氩相互作用中的重构设计，应用于MicroBooNE、ICARUS和未来的DUNE等中微子振荡实验。我们使用一种生成合成噪声的方法，测试了输入不确定性感知模型与不确定性盲模型的性能。通过比较这两者，我们评估了让模型接触上游不确定性估计所带来的推理质量提升。
引用
@article{arxiv.2411.09864,
title = {Uncertainty Propagation within Chained Models for Machine Learning Reconstruction of Neutrino-LAr Interactions},
author = {Daniel Douglas and Aashwin Mishra and Daniel Ratner and Felix Petersen and Kazuhiro Terao},
journal= {arXiv preprint arXiv:2411.09864},
year = {2025}
}