用于反常喷注标记的自编码器变分方法
高能物理 - 唯象学
2023-01-05 v4 高能物理 - 实验
机器学习
摘要
我们针对大型强子对撞机上的反常喷注标记，对变分自编码器（VAEs）进行了详细研究。通过输入低层喷注组分信息并以无监督方式用背景 QCD 喷注训练，VAE 能够编码用于重建喷注的重要信息，同时在潜空间中学习到具有表现力的后验分布。将 VAE 用作异常检测器时，我们提出了不同的异常检测方法：直接在输入空间中比较，或在潜空间中处理。为便于凸点搜寻等通用搜索方法，我们还研究了基于距离相关正则化的质量去关联 VAE。我们发现朴素的质量去关联 VAE 无法维持恰当的检测性能，会对某些反常样本赋予更高概率。为构建性能良好的质量去关联反常喷注标记器，我们提出了离群点暴露 VAE（OE-VAE），在训练过程中引入部分离群样本以引导所学信息。OE-VAE 同时实现两个目标：提升离群检测的灵敏度，并使喷注质量与异常分数去关联。我们在两方面均取得了优异结果。本工作的代码实现见 https://github.com/taolicheng/VAE-Jet
引用
@article{arxiv.2007.01850,
title = {Variational Autoencoders for Anomalous Jet Tagging},
author = {Taoli Cheng and Jean-François Arguin and Julien Leissner-Martin and Jacinthe Pilette and Tobias Golling},
journal= {arXiv preprint arXiv:2007.01850},
year = {2023}
}
备注
36 pages, 23 figures. To appear in Physical Review D