The Landscape of Unfolding with Machine Learning

要約

機械学習による最近のイノベーションにより、ビニングを行わずにデータを展開し、多くの次元にわたる相関関係を含めることができます。
ML ベースの展開のための一連の既知の、アップグレードされた、および新しいメソッドについて説明します。
これらのアプローチのパフォーマンスは、同じ 2 つのデータセットで評価されます。
すべての技術が、複雑な観測対象全体にわたる粒子レベルのスペクトルを正確に再現できることがわかりました。
これらのアプローチは概念的に多様であることを考慮すると、前例のない詳細レベルで標準モデルを調査でき、新しい現象への感度を可能にする新しいクラスの測定のための刺激的なツールキットを提供します。

要約(オリジナル)

Recent innovations from machine learning allow for data unfolding, without binning and including correlations across many dimensions. We describe a set of known, upgraded, and new methods for ML-based unfolding. The performance of these approaches are evaluated on the same two datasets. We find that all techniques are capable of accurately reproducing the particle-level spectra across complex observables. Given that these approaches are conceptually diverse, they offer an exciting toolkit for a new class of measurements that can probe the Standard Model with an unprecedented level of detail and may enable sensitivity to new phenomena.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google