Fast kernel methods for Data Quality Monitoring as a goodness-of-fit test

要約

ここでは、粒子検出器をリアルタイムで監視するための機械学習アプローチを提案します。
目標は、受信実験データと参照データセットとの互換性を評価し、尤度比仮説検定を介して、通常の状況下でのデータの動作を特徴付けることです。
このモデルは、十分なデータが与えられた場合に任意の連続関数を学習できるノンパラメトリック アルゴリズムであるカーネル メソッドの最新の実装に基づいています。
結果として得られるアプローチは効率的であり、データに存在する可能性のある異常の種類にとらわれません。
私たちの研究は、ドリフトチューブチャンバーミュオン検出器からの多変量データに対するこの戦略の有効性を示しています。

要約(オリジナル)

We here propose a machine learning approach for monitoring particle detectors in real-time. The goal is to assess the compatibility of incoming experimental data with a reference dataset, characterising the data behaviour under normal circumstances, via a likelihood-ratio hypothesis test. The model is based on a modern implementation of kernel methods, nonparametric algorithms that can learn any continuous function given enough data. The resulting approach is efficient and agnostic to the type of anomaly that may be present in the data. Our study demonstrates the effectiveness of this strategy on multivariate data from drift tube chamber muon detectors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google