[論文レビュー] A Normalized Autoencoder for LHC Triggers

Barry M. Dillon, Luigi Favaro+3 more|arXiv (Cornell University)|Jun 28, 2022

Particle physics theoretical and experimental studies被引用数 5

ひとこと要約

この論文は、LHCジェットデータにおける異常検出のための正規化自己符号化器（NAE）を提案する。標準的な自己符号化器とエネルギーベースモデルを組み合わせ、高複雑性および低複雑性の両方の方向で異常に複雑または単純なジェットを検出する。Langevinマルコフ連鎖を用いて再構築誤差を調査し、確率的整合性を強制することで、アーキテクチャの拡張なしに、既存の自己符号化器を上回る性能を達成し、トップ対QCDおよびダークジェット信号検出において優れた性能を発揮する。

ABSTRACT

Autoencoders are an effective analysis tool for the LHC, as they represent one of its main goal of finding physics beyond the Standard Model. The key challenge is that out-of-distribution anomaly searches based on the compressibility of features do not apply to the LHC, while existing density-based searches lack performance. We present the first autoencoder which identifies anomalous jets symmetrically in the directions of higher and lower complexity. The normalized autoencoder combines a standard bottleneck architecture with a well-defined probabilistic description. It works better than all available autoencoders for top vs QCD jets and reliably identifies different dark-jet signals.

研究の動機と目的

• BSM信号に関する仮定を最小限に抑えるモデルに依存しない異常検出手法の開発。
• 標準的な自己符号化器における高複雑性（例：トップ）と低複雑性（例：QCD）ジェット間の異常検出の非対称性の解消。
• 確率的フレームワークを用いて、高複雑性および低複雑性領域の両方における異常検出の対称性の実現。
• 従来の密度ベース手法が失敗する、ダークジェット信号のような挑戦的な信号の検出性能の向上。
• モデルサイズの増加なしに再構築のロバスト性とOOD検出性能を向上させるトレーニング手順の設計。

提案手法

• 潜在空間を超球に制約することで、訓練の安定化を図る標準的なボトルネック自己符号化器アーキテクチャを採用。
• 潜在空間およびデータ空間の両方で2つのLangevinマルコフ連鎖（LMC）を用いた、再構築誤差とエネルギーベースモデリングを組み合わせたミニマックス損失関数を導入。
• エネルギー関数は、バックグラウンド位相空間の低確率領域をペナルティ化し、分布外（OOD）ジェットに対して感度を高める。
• LMCはモデル分布からのサンプリングを行い、エネルギーの地形を精緻化することで、再構築が不十分なジェットの検出を向上させる。
• 訓練の安定化と発散の防止のため、スペクトル正規化と重み正則化を適用。
• 繰り返しLMCサンプリングを通じて、トレーニング分布とモデル分布の一致を図りながら、負の対数尤度を最小化するようにモデルを訓練。

実験結果

リサーチクエスチョン

• RQ1 確率的自己符号化器は、高複雑性および低複雑性ジェット領域の両方で、対称的に異常を検出できるか？
• RQ2 NAEは、QCDバックグラウンド内でのトップジェット検出において、標準的な自己符号化器やVAEを上回る性能を示すか？
• RQ3 NAEは、従来の密度ベース手法が困難なダークジェット信号を信頼性高く同定できるか？
• RQ4 エネルギーベースモデリングの統合は、モデル複雑度の増加なしにOOD検出をどのように向上させるか？
• RQ5 LMCサンプリング戦略は、再構築誤差の感度および異常検出をどの程度向上させるか？

主な発見

• NAEは、すべての既存の自己符号化器と比較して、トップ対QCDジェット分類において優れた異常検出性能を達成し、両方向への異常検出における対称性が向上した。
• 従来の密度ベースアプローチが困難なダークジェット信号を、モデルが効果的に同定し、複雑な信号の形状に対しても頑健であることを示した。
• 再構築解析の結果、NAEはトップジェットの追加のプロンチを正しく無視し、構造的特徴ではなくピクセル強度に基づいてQCDジェットを再構築していることが判明し、位相空間認識が学習されていることを示した。
• LMCから得られた画像は、期待されるバックグラウンド分布に収束しており、モデル分布の安定性と適切な訓練を確認した。
• LMCの使用により、アーキテクチャの変更なしに、再構築が不十分な領域の効果的なプローブが可能になり、異常に対する感度が向上した。
• モデルサイズを固定したまま高い性能を維持しており、深層ネットワークの拡張ではなく、トレーニング段階の要素（LMC、エネルギー関数）に依存している。