基于泊松混合模型的无监督夸克/胶子喷注标记
高能物理 - 唯象学
2022-03-01 v2
摘要
由夸克或胶子诱导的喷注分类对于高能对撞机上的新物理搜寻十分重要。然而，现有的标记器通常依赖于通过蒙特卡洛模拟对数据建模，这可能掩盖难以处理的系统和理论不确定性。为显著减少偏差，我们提出了一种无监督学习算法，该算法在给定喷注样本的情况下，能够学习夸克与胶子 initiated 喷注的 SoftDrop 泊松率及其比例。我们提取了混合参数及在其上的后验概率的最大似然估计。随后我们构建了一个夸克-胶子标记器，并估计其在实际数据中的准确率为 范围，虽低于有监督算法但仍有竞争力。我们还展示了相关无监督度量表现良好，从而允许进行无监督超参数选择。此外，我们发现该结果不受为模拟中心喷注探测器效应而引入的角度涂抹的影响。所提出的无监督学习算法简单，其结果可解释且依赖于极少的假设。
引用
@article{arxiv.2112.11352,
title = {Unsupervised quark/gluon jet tagging with Poissonian Mixture Models},
author = {Ezequiel Alvarez and Michael Spannowsky and Manuel Szewc},
journal= {arXiv preprint arXiv:2112.11352},
year = {2022}
}
备注
18 pages including references, 9 figures. Matches version to be published at Frontiers in Artificial Intelligence, section Big Data and AI in High Energy Physics. References updated, changes in text and in figures. Comments welcome!