arXiv cs.AI· Donatella Genovese, Philip Ploner, Simone Scardapane, Stefano Giagu, Thea Klaeboe Aarrestad·· 6 天前AI 评分17
面向 HL-LHC 异常检测的学习事件表征局部诊断方法
Local Diagnostics of Learned Event Representations for Anomaly Detection at the HL-LHC
AI 导读
研究在 COLLIDE-2V（7.5 亿事件、HL-LHC 真实条件模拟）上评估监督与自监督神经嵌入策略，以学习潜空间中自编码器的重构误差作为异常分数，监督目标整体优于自监督，最佳配置在 10% 背景接受率下对所有留出过程的信号效率均超过直接基于运动学特征训练的自编码器。
正文 · AI 翻译
摘要：异常检测，即识别偏离标准模型预期的碰撞事件，是大型强子对撞机上最有前景的、与模型无关的新物理搜索策略之一。在学习到的低维表示中搜索稀有事件，无需事先承诺使用手工设计的观测量，但牺牲了这些观测量所提供的直接物理解释。因此，要使异常检测进入发现流程，必须对标记出的事件进行局部诊断，既是为了将潜在的新物理与错误建模或探测器效应区分开来，也是为了确定用于针对性后续搜索的观测量。我们在 COLLIDE-2V 上评估了监督式和自监督式神经嵌入策略，该数据集包含在真实高亮度 LHC 条件下模拟的 7.5 亿个事件，使用在学习到的潜在空间中训练的自编码器的重构误差作为异常分数。在所考虑的配置和基准信号中，利用训练期间模拟过程标签的监督目标通常优于其自监督对应方法，并且在其最佳配置下，优于直接在运动学特征上训练的自编码器，在所有留出过程上以 10% 背景接受率提高了信号效率。我们进一步引入了一个局部诊断流程，该流程将高斯混合模型拟合到 SM 潜在空间，在没有过程标签的情况下通过高层观测量对每个分量进行刻画，定位被标记的事件，并根据其局部判别能力对观测量进行排序。该排序恢复了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相关联，量化了分数跟踪这些观测量的紧密程度，揭示了最具判别力的观测量并非分数最紧密跟随的那个观测量的情况。
| 评论： | 提交至 SciPost |
| 主题： | 人工智能（cs.AI）；高能物理 - 实验（hep-ex）；高能物理 - 唯象学（hep-ph）；数据分析、统计与概率（physics.data-an） |
| 引用为： | arXiv:2610.13437 [cs.AI] |
| （或此版本的 arXiv:2610.13437v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.13437 arXiv 颁发的 DOI，通过 DataCite（待注册） |
提交历史
来自：Donatella Genovese [查看电子邮件]
[v1]
2026年10月9日星期五 11:37:06 UTC（371 KB）
来源：arXiv cs.AI · arxiv.org