[論文レビュー] Efficiently Moving Instead of Reweighting Collider Events with Machine Learning

Radha Mastandrea, Benjamin Nachman|arXiv (Cornell University)|Dec 12, 2022

Anomaly Detection Techniques and Applications被引用数 4

ひとこと要約

本稿では、従来の再重み付けに頼るのではなく、正規化フローを用いて参照データセットのコライダー物理学的イベントを、ターゲットデータセットに適合させるように変形することを提案する。訓練戦略としてアイデンティティ初期化と移動ペナルティを用いることで、最適輸送に近い忠実なマッピングが得られ、特に信号領域における忠実度が二重ベース法よりも顕著に向上することが分かった。

ABSTRACT

There are many cases in collider physics and elsewhere where a calibration dataset is used to predict the known physics and / or noise of a target region of phase space. This calibration dataset usually cannot be used out-of-the-box but must be tweaked, often with conditional importance weights, to be maximally realistic. Using resonant anomaly detection as an example, we compare a number of alternative approaches based on transporting events with normalizing flows instead of reweighting them. We find that the accuracy of the morphed calibration dataset depends on the degree to which the transport task is set up to carry out optimal transport, which motivates future research into this area.

研究の動機と目的

• 従来の再重み付けに代えて、正規化フローを用いたイベントモーフィングにより、コライダー物理学データセットのキャリブレーションを改善すること。
• 異なる訓練手順が、ターゲット分布に適合するように変形された参照データセットの忠実度に与える影響を評価すること。
• 最適輸送の原則に基づくモーフィングが、共鳴異常検出タスクにおいて性能を向上させるかどうかを調査すること。
• モーフィング中にイベントの移動を最小限に抑えることで、より正確で現実的なキャリブレーションが得られるかどうかを検討すること。

提案手法

• 参照分布からのイベントを、共鳴質量変数 M に条件づけてターゲット分布にマップする条件付き正規化フローを用いる。
• 4 種類の訓練戦略を比較：二重ベース法（標準正規分布への二つのフロー）、参照からターゲット（参照からターゲットへのフロー）、アイデンティティ初期化（自己マッピングからの転移学習）、移動ペナルティ（変位に対する L2 損失）。
• 信号領域におけるターゲットと変形された参照の区別が可能かどうかを評価するために、バイナリ分類器を用いる。
• LHC 2020 オリンピック R&D の 100 万件のバックグラウンドおよび 10 万件の信号イベントデータセットを用い、ReLU 活性化関数とコサインスケジューリング学習率でフローを訓練する。
• 後から分類器の AUC スコアを性能指標として用い、スコアが 0.5 に近いほど区別不能であり、忠実度が高いことを示す。
• 変形関数を参照イベントに適用し、その結果得られる分布を、さまざまなフェーズスペース領域（サイドバンド、信号、外側バンド）における真のターゲット分布と比較評価する。

実験結果

リサーチクエスチョン

• RQ1 訓練手順の選択が、コライダー物理学のイベントモーフィングの忠実度にどのように影響するか？
• RQ2 サポートの重複が限られている状況において、正規化フローによるモーフィングが、従来の再重み付けを上回る性能を示せるか？
• RQ3 移動ペナルティとアイデンティティ初期化は、最適輸送解に近いモーフィング精度をどの程度向上させるか？
• RQ4 標準正規分布を経由する二重ベース法は、間接的な輸送に起因し、非最適なモーフィングを生じるのか？
• RQ5 異なるモーフィング戦略は、信号領域において変形された参照と真のターゲットの区別がどの程度困難になるか、すなわち不変性がどの程度保たれるか？

主な発見

• 二重ベース法は、低質量外側バンドで AUC スコア 0.630 ± 0.024 を示し、ターゲットと区別がつきにくくないため、忠実度が著しく低いことが判明した。
• 二重ベース法を除くすべての手法が、信号領域で AUC スコア 0.51 未満を達成し、高い忠実度と成功したモーフィングを示した。
• アイデンティティ初期化法と移動ペナルティ法は、それぞれ信号領域で AUC スコア 0.508 ± 0.004 および 0.507 ± 0.002 を示し、優れた忠実度を達成した。
• 参照からターゲットへの方法（Base to Data）は、信号領域で AUC スコア 0.503 ± 0.001 を達成し、これも強力な性能を示した。
• すべての手法がサイドバンド領域（AUC < 0.503）でも高い忠実度を示し、参照データに対する有効な訓練が行われていることが確認された。
• 二重ベース法は外側バンドで顕著な性能低下を示し、サポートが重複しない場合に分布の類似性を保てていないことが示された。