注册

高亮度LHC异常检测研究：监督式嵌入优于自监督并引入局部诊断流程

论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

针对高亮度大型强子对撞机下的新物理搜索，一项研究在COLLIDE-2V数据集上评估了监督与自监督神经嵌入策略，该数据集包含7.5亿个模拟事件。研究以在学到的潜在空间中训练的自编码器重构误差作为异常分数。结果显示，利用模拟过程标签的监督目标通常优于自监督方案，其最佳配置在所有留出过程上，于10%背景接受率下提升了信号效率，并超过直接在运动学特征上训练的自编码器。研究还提出局部诊断流程，对标准模型潜在空间拟合高斯混合模型，通过高层观测量刻画各分量，定位被标记事件并按局部区分能力对观测量排序。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

研究背景与数据

高亮度大型强子对撞机的新物理搜索中，异常检测被视作不依赖具体模型的策略，用于识别偏离标准模型预期的碰撞事件。在学到的低维表示中寻找稀有事件，免去了预先选定手工观测量的需要，但也失去了这些观测量带来的直接物理解释。若异常检测要进入发现流程，被标记的事件必须经过局部诊断，以区分潜在新物理与模拟偏差或探测器效应，并找出可用于后续定向搜索的观测量。研究基于COLLIDE-2V数据集，该数据集包含7.5亿个在真实高亮度LHC条件下模拟的事件。

嵌入策略与异常分数

研究评估了监督与自监督两类神经嵌入策略，并以在学到的潜在空间中训练的自编码器重构误差作为异常分数。监督目标在训练时利用模拟过程标签，自监督方案则不依赖这些标签。在考察的多种配置与基准信号下，监督目标整体表现更好；在其最佳配置中，还超过了直接在运动学特征上训练的自编码器，并在所有留出过程上，于10%背景接受率下提升了信号效率。

局部诊断流程

研究引入一套局部诊断流程：对标准模型潜在空间拟合高斯混合模型，在不使用过程标签的情况下通过高层观测量刻画每个分量，定位被标记的事件，并按局部区分能力对观测量排序。该排序能够恢复留出过程的定义性运动学特征。同时，将异常分数与相同观测量做关联，可以量化分数跟随这些观测量的紧密程度，从而揭示出最具有区分能力的观测量未必是分数最紧密跟随的那一个。

为什么值得看

展示异常检测如何从黑箱分数走向可解释诊断，为对撞机新物理搜索提供可操作的观测量排序方法。

数据集

信源1 家

  1. [1]arXiv cs.AI一手信源Local Diagnostics of Learned Event Representations for Anomaly Detection at the HL-LHC

关键事实

  • 研究在COLLIDE-2V数据集上评估监督与自监督神经嵌入策略，该数据集包含7.5亿个模拟事件。[1]

  • 使用在学到的潜在空间中训练的自编码器重构误差作为异常分数。[1]

  • 监督目标通常优于自监督方案，最佳配置在10%背景接受率下提升了所有留出过程的信号效率。[1]

  • 局部诊断流程对标准模型潜在空间拟合高斯混合模型，并通过高层观测量刻画各分量。[1]

  • 该流程可定位被标记事件并按局部区分能力对观测量排序，排序能恢复留出过程的定义性运动学特征。[1]

相关 · 论文

DreamX 将预训练视频扩散模型改造为通用潜在动作学习器

11月4日 周三·AI 78

arXiv 论文提出「认知共生体」概念，主张 AI 增强人的智能

11月4日 周三·AI 58

独立复现 DNO-Prct：Llama 3.1 8B 对 GPT-4o 胜率升…

11月4日 周三·AI 72

研究提出 PEARL 方法，用于持久抑制语言模型的不对齐行为

11月4日 周三·AI 78

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论