CURTAINs Flows For Flows: Constructing Unobserved Regions with Maximum Likelihood Estimation

要約

タイトル：最尤推定による未知の領域の構築：CURTAINs Flow for Flows

要約：

– LHCでの新しい物理プロセスの検索において、生成モデルを使用した背景データテンプレートの構築に関するモデル非依存手法は、大きな進展を示しています。
– 我々は、最適輸送損失ではなく、最尤推定を使用して、2つのサイドバンド領域間の条件付き正規化フローをトレーニングすることにより、CURTAINsメソッドの大きな改善を導入しました。
– 新しいトレーニング目標は、変換されたデータのロバスト性と信頼性を向上させ、より高速で簡単にトレーニングできます。
– 我々は、LHC Olympics異常検出データセットを使用して、以前のアプローチと現在の最先端アプローチとの性能を比較し、オリジナルのCURTAINs方法よりも感度が大幅に向上することを確認しました。
– さらに、CURTAINsF4Fは、他の完全にデータ駆動型アプローチよりも少ない計算リソースで多くの信号領域をカバーすることができます。
– 効率的な設定を使用すると、10の信号領域をカバーするのに必要な時間と同じ時間で、1桁多くのモデルをトレーニングすることができます。

要約(オリジナル)

Model independent techniques for constructing background data templates using generative models have shown great promise for use in searches for new physics processes at the LHC. We introduce a major improvement to the CURTAINs method by training the conditional normalizing flow between two side-band regions using maximum likelihood estimation instead of an optimal transport loss. The new training objective improves the robustness and fidelity of the transformed data and is much faster and easier to train. We compare the performance against the previous approach and the current state of the art using the LHC Olympics anomaly detection dataset, where we see a significant improvement in sensitivity over the original CURTAINs method. Furthermore, CURTAINsF4F requires substantially less computational resources to cover a large number of signal regions than other fully data driven approaches. When using an efficient configuration, an order of magnitude more models can be trained in the same time required for ten signal regions, without a significant drop in performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI