High-dimensional and Permutation Invariant Anomaly Detection

要約

新しい物理プロセスの異常検出方法は、高次元の確率密度を学習することが難しいため、低次元空間に限定されることがよくあります。
特に構成要素レベルでは、一般的な密度推定方法では、順列不変性や可変長入力などの望ましい特性を組み込むことが困難になります。
この研究では、特に可変長入力を処理するように設計された、拡散モデルに基づく素粒子物理学データの順列不変密度推定器を導入します。
学習した密度を順列不変異常検出スコアとして利用し、背景のみの仮説の下で可能性の低いジェットを効果的に識別することにより、方法論の有効性を実証します。
密度推定方法を検証するために、学習された密度の比率を調査し、教師付き分類アルゴリズムによって取得された密度と比較します。

要約(オリジナル)

Methods for anomaly detection of new physics processes are often limited to low-dimensional spaces due to the difficulty of learning high-dimensional probability densities. Particularly at the constituent level, incorporating desirable properties such as permutation invariance and variable-length inputs becomes difficult within popular density estimation methods. In this work, we introduce a permutation-invariant density estimator for particle physics data based on diffusion models, specifically designed to handle variable-length inputs. We demonstrate the efficacy of our methodology by utilizing the learned density as a permutation-invariant anomaly detection score, effectively identifying jets with low likelihood under the background-only hypothesis. To validate our density estimation method, we investigate the ratio of learned densities and compare to those obtained by a supervised classification algorithm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google