[論文レビュー] Reduction of detection limit and quantification uncertainty due to interferent by neural classification with abstention

Alex Hagen‐Zanker, Ken Jarman+6 more|arXiv (Cornell University)|Apr 22, 2022

Nuclear Physics and Applications参考文献 19被引用数 1

ひとこと要約

本論文は、干渉的背景イベントを伴う物理的カウント実験における検出限界と定量的不確実性を低減するため、拒否を組み込んだニューラル分類手法を提案する。分類器の信頼度に基づいて動的に最適な意思決定閾値を設定することで、精度最適化モデルと比較して不確実性が最大3倍まで低減され、特に信号対背景比が低い場合に顕著である。

ABSTRACT

Many measurements in the physical sciences can be cast as counting experiments, where the number of occurrences of a physical phenomenon informs the prevalence of the phenomenon's source. Often, detection of the physical phenomenon (termed signal) is difficult to distinguish from naturally occurring phenomena (termed background). In this case, the discrimination of signal events from background can be performed using classifiers, and they may range from simple, threshold-based classifiers to sophisticated neural networks. These classifiers are often trained and validated to obtain optimal accuracy, however we show that the optimal accuracy classifier does not generally coincide with a classifier that provides the lowest detection limit, nor the lowest quantification uncertainty. We present a derivation of the detection limit and quantification uncertainty in the classifier-based counting experiment case. We also present a novel abstention mechanism to minimize the detection limit or quantification uncertainty \emph{a posteriori}. We illustrate the method on two data sets from the physical sciences, discriminating Ar-37 and Ar-39 radioactive decay from non-radioactive events in a gas proportional counter, and discriminating neutrons from photons in an inorganic scintillator and report results therefrom.

研究の動機と目的

• 精度最適化された分類器が検出限界と定量的不確実性を最小化するという限界を解消すること。
• 最大精度が計測的に重要な指標において最適なパフォーマンスをもたらさないことを示すこと。
• 検出および定量のパフォーマンスを向上させる、新しい拒否メカニズムの開発と検証すること。
• 本手法が、信号対背景比が低いさまざまな物理科学分野のデータセットにおいて有効であることを示すこと。

提案手法

• 分類器の信頼度スコアに基づく閾値最適化戦略を提案し、検出限界または定量的不確実性を最小化する。
• 低信頼度のイベントを分類から除外する拒否メカニズムを導入し、全体のパフォーマンスを向上させる。
• 単体法に基づく最適化を用いて、分析物対干渉物比が変化する状況下でも最小不確実性を達成する最適な閾値を特定する。
• 実世界の2つのデータセットに本手法を適用する：ガス比例計数器におけるAr-37/Ar-39の識別と、シンチレーターにおける中性子・光子の識別。
• 連続的な分類器出力（例：ニューラルネットワーク）を用いて、信頼度に基づく意思決定を可能にする。
• 真の活動度推定値と不確実性帯を用いて性能を検証し、最適な閾値と最大精度の閾値を比較する。

実験結果

リサーチクエスチョン

• RQ1 最大精度を最適化する分類器が、背景干渉を伴うカウント実験における検出限界と定量的不確実性を最小化するのか？
• RQ2 低信頼度のイベントを拒否することで、検出限界と測定不確実性が向上するのか？
• RQ3 さまざまな信号対背景比の下で、最適な閾値分類のパフォーマンスは、精度最適化分類と比べてどのように異なるのか？
• RQ4 拒否手法は、さまざまな分類器や物理的測定システムに一般化可能か？
• RQ5 低SBR状況下での不確実性低減に、閾値最適化がどのように定量的に影響を与えるのか？

主な発見

• 定量的不確実性を最小化する最適な閾値は、精度を最大にする閾値とは一致しない。
• 分析物対干渉物比が低い状況では、最適な不確実性は最大精度閾値で達成されるものと比べて最大3倍まで小さくなる。
• 推定活動度が不偏であっても、最大精度分類の不確実性帯は2標準偏差の範囲に0を含むことがあり、これは低レベルの信号を検出できていないことを示している。
• 拒否メカニズムは、特に信号と背景が重複する領域で、曖昧なイベントを効果的に分離する。
• 本手法は、全テストされた信号対背景比において不確実性を低減し、特に低SBR領域で顕著な改善をもたらす。
• 本手法は、ガス比例計数器や無機シンチレーターを含む、さまざまな分類器と物理的測定システムに一般化可能で効果的である。