[論文レビュー] Tagging heavy flavours with boosted decision trees

João A. Bastos|ArXiv.org|Feb 5, 2007

Data Analysis with R参考文献 4被引用数 3

ひとこと要約

この論文は、LHCにおけるWH→lνqq̄ イベントのモンテカルロシミュレーションを用いて、ブーストド決定木（BDT）によるbジェットタギングの性能を評価している。BDTはフィードフォワードニューラルネットワークを上回り、AdaBoostを用いた反復的ツリーブースティングにより、二次頂点質量やインパクトパラメータなどの物理的観測量を統合することで、60%のbタギング効率で35%高いライトジェットの排除性能を達成した。

ABSTRACT

This paper evaluates the performance of boosted decision trees for tagging b-jets. It is shown, using a Monte Carlo simulation of $WH o lνq\bar{q}$ events that boosted decision trees outperform feed-forward neural networks. The results show that for a b-tagging efficiency of 60% the light jet rejection given by boosted decision trees is about 35% higher than that given by neural networks.

研究の動機と目的

• 高エネルギー物理学におけるbジェットタギングのためのブーストド決定木（BDT）の性能を評価すること。
• WH→lνqq̄ イベントの現実的なモンテカルロシミュレーションを用いて、BDTとフィードフォワードニューラルネットワークを比較すること。
• 中程度のbタギング効率におけるライトジェットの排除性能を向上させられるかを評価すること。
• ニューラルネットワークよりも優れた代替手法としてのBDTの可能性を検討すること。
• 二次頂点質量、インパクトパラメータ、運動量割合といった物理的観測量を用いて、手法の妥当性を検証すること。

提案手法

• BDTはAdaBoostアルゴリズムを用いて実装され、各ツリーが誤分類を最小化するように重み付きジェットパターンを学習する。
• アルゴリズムは、各分岐でジニインデックスを最適化することで、bジェットとuジェットの分離を最大化するように反復的に意思決定ツリーを構築する。
• 各ツリーの後でジェットの重みを更新する：誤分類されたジェットは強化（重みを増加）、正しく分類されたジェットは軽減（重みを低減）される。
• 最終的な分類スコアは、各ツリーの出力の重み付き和であり、各ツリーの誤分類誤差（βk = log((1−εk)/εk)）によって重みが決定される。
• 入力特徴量には、7つの物理的観測量が含まれる：二次頂点質量、横方向および縦方向のインパクトパラメータの有意性、二次頂点における運動量割合、トラック多重度。
• 性能評価には別個のテストサンプルが使用され、分類器の識別力に対するバイアスのない評価が保証される。

実験結果

リサーチクエスチョン

• RQ1 ブーストド決定木は、WH→lνqq̄ イベントのbジェットタギングにおいて、フィードフォワードニューラルネットワークを上回ることができるか？
• RQ2 中程度のbタギング効率におけるBDTのライトジェット排除性能は、ニューラルネットワークと比べてどの程度か？
• RQ3 タギング性能を最大化するために最適なBDTの設定（例えば、ツリー数、最小リーフサイズ）は何か？
• RQ4 二次頂点質量やインパクトパラメータといった物理的観測量は、BDTの識別力にどのように寄与するか？
• RQ5 フルシミュレーションにおける検出器効果やジェットの重なりを含めた状況下でも、BDTアプローチは優れた性能を維持できるか？

主な発見

• bタギング効率が60%のとき、ブーストド決定木はフィードフォワードニューラルネットワークよりも約35%高いライトジェット排除性能を達成した。
• BDTの性能向上は、中程度のbタギング効率領域で顕著であり、高効率領域では顕著な利点が見られない。
• 最適なBDT設定では、リーフあたり最低7000ジェットが必要であり、数100回のツリー反復後に収束した。
• BDTスコアは[0,1]に正規化され、テストサンプルにおいてbジェット（実線）とuジェット（破線）の分離が優れていることが示された。
• ニューラルネットワークは正規化された入力を用い、BFGSアルゴリズムで1000エポック学習されたが、依然としてBDTに比べライトジェット排除性能で劣った。
• 本研究は、特にバックグラウンド抑制が求められる状況において、BDTがニューラルネットワークの有望な代替手法であることを確認した。