基于条件密度估计的新物理无监督分布内异常检测
机器学习
2020-12-23 v1 高能物理 - 实验
数据分析、统计与概率
摘要
异常检测是机器学习的一项关键应用，但通常聚焦于在数据低概率密度区域中检测离群样本。在此，我们提出并论证一种使用条件密度估计器的无监督分布内异常检测方法，旨在发现驻留于高概率密度区域中、独特且完全未知的样本集。我们将该方法应用于模拟大型强子对撞机（LHC）粒子碰撞中的新物理探测，作为 2020 年 LHC Olympics 盲挑战的一部分，并展示我们如何在一百万碰撞事件中仅 0.08% 出现的事件中探测到新粒子。我们呈现的结果是对 2020 年 LHC Olympics 的原始盲提交，其达到了最先进（SOTA）性能。
引用
@article{arxiv.2012.11638,
title = {Unsupervised in-distribution anomaly detection of new physics through conditional density estimation},
author = {George Stein and Uros Seljak and Biwei Dai},
journal= {arXiv preprint arXiv:2012.11638},
year = {2020}
}
备注
Accepted to NeurIPS Machine Learning and the Physical Sciences workshop. See arXiv:2007.00674 for further methods