揭示神经网络模型中隐藏的系统性效应：面向高能物理的深层探索

神经网络（NN）本质上是多维分类器，能够学习输入可观测量之间复杂的非线性关系。虽然其灵活性在高能物理（HEP）分析中实现了前所未有的性能，但也使其对输入的微小变化极其敏感。因此，在基于神经网络的模型中系统不确定性的传播与估计仍是一个待解决的挑战。控制区或来自输入特征 nominal 变异推导出的不确定性存在偏小的倾向，这可能导致未被计入的偏差。灵感来源于机器学习中对抗攻击研究的洞见，我们探索如何在完全符合输入可观测量实验不确定性的前提下，通过细微扰动，导致神经网络输出发生显著变化，而保持一维和相关的输入分布基本不变。在一组代表性的 HEP 任务中进行测试，包括事件分类和对象识别，并测试各种网络架构，我们展示在允许的不确定性包络内，神经网络可在显著比例下被系统性“误导”。基于这一观察，我们引入定量框架来探测和度量神经网络对真实实验变异的隐藏灵敏度，为物理分析中的系统不确定性评估与控制提供实用路径。