[論文レビュー] Uncertainty Aware Learning for High Energy Physics

A. Ghosh, Benjamin Nachman+1 more|arXiv (Cornell University)|May 18, 2021

Particle physics theoretical and experimental studies参考文献 32被引用数 5

ひとこと要約

本論文は、高エネルギー物理学における不確実性に配慮した分類器を提案し、訓練中にノイズパラメータへの依存関係を明示的にモデル化することで、従来手法よりも感度を向上させる。従来の手法がノイズパラメータに対して不感覚であるのに対し、本手法はシステムティック不確実性に敏感になるようにモデルを訓練することで、ガウス分布およびヒッグス粒子崩壊（H→ττ）データセットの両方で優れた性能を発揮し、特にシステムティックシフトが発生する状況下で顕著な改善が得られる。

ABSTRACT

Machine learning techniques are becoming an integral component of data analysis in High Energy Physics (HEP). These tools provide a significant improvement in sensitivity over traditional analyses by exploiting subtle patterns in high-dimensional feature spaces. These subtle patterns may not be well-modeled by the simulations used for training machine learning methods, resulting in an enhanced sensitivity to systematic uncertainties. Contrary to the traditional wisdom of constructing an analysis strategy that is invariant to systematic uncertainties, we study the use of a classifier that is fully aware of uncertainties and their corresponding nuisance parameters. We show that this dependence can actually enhance the sensitivity to parameters of interest. Studies are performed using a synthetic Gaussian dataset as well as a more realistic HEP dataset based on Higgs boson decays to tau leptons. For both cases, we show that the uncertainty aware approach can achieve a better sensitivity than alternative machine learning strategies.

研究の動機と目的

• 機械学習を用いた高エネルギー物理学解析におけるシステムティック不確実性の増大する課題に取り組む。
• 従来のアプローチである分類器をノイズパラメータに対して不感覚にすることを挑戦する。
• 学習プロセスに不確実性認識を明示的に組み込むことで、関心パラメータへの感度を向上させる。
• 訓練中にノイズパラメータへの依存関係を最大化することで、システムティックシフト下でも性能が向上することを示す。
• 既存のLHC解析パイプラインに不確実性認識を統合する実用的フレームワークを提供する。

提案手法

• ノイズパラメータを入力特徴量として明示的に含むパラメータ化された分類器を訓練する。
• ノイズパラメータを含む完全な不確実性構造を考慮した尤度ベースの損失関数を用いる。
• 不確実性認識分類器をベースライン、データ拡張、敵対的訓練のベースラインと比較する。
• 評価時にノイズパラメータをプロファイリングし、各値に対して最適な分類器を選択する。
• 合成ガウスデータセットおよび現実的なヒッグス粒子崩壊（H→ττ）データセットの両方へ本手法を適用する。
• 感度と不確実性の定量化を評価するために、プロファイリングされた負の対数尤度（NLL）曲線を用いる。

実験結果

リサーチクエスチョン

• RQ1 ノイズパラメータに明示的に依存する機械学習分類器は、システムティック不確実性が存在する状況で、従来手法を上回る性能を発揮できるか？
• RQ2 データ拡張や敵対的訓練と比較して、不確実性認識訓練は感度とロバストネスの観点でどのように異なるか？
• RQ3 不確実性認識が組み込まれた場合、ノイズパラメータのシステムティックシフトが分類器の性能に与える影響は何か？
• RQ4 ノイズパラメータへの依存関係を最大化することは、高エネルギー物理学の測定における全体的な感度を向上させるか？
• RQ5 不確実性認識分類器は、最小限の計算負荷で実際のLHC解析に実用的に適用可能か？

主な発見

• 真のノイズパラメータ（z）が訓練時の仮定値から逸脱しても、不確実性認識分類器は理想の性能を維持するが、ベースライン分類器はそうではない。
• ガウス例では、システムティックシフト下で不確実性認識分類器が、ベースライン、データ拡張、敵対的訓練の各手法よりも狭いプロファイリングNLL曲線を達成する。
• H→ττデータセットでは、真のμ値が1の場合、不確実性認識分類器がすべてのベースラインを上回る感度を示す。特に、z=0.8およびz=1.1のシステムティックシフト下で顕著な優位性が得られる。
• データがz=1.0（ノーマル）で生成された場合、すべての分類器が良好に動作するが、不確実性認識アプローチはノーマルでない条件でも優れた性能を維持する。
• 本手法はノイズパラメータのシフトに対してロバストであり、プロファイリング中に真のノイズパラメータ値に応じて分類器を適応させることで、より正確な測定を可能にする。
• 本手法は計算的に実行可能であり、既存のLHC解析ワークフローに最小限の変更で統合可能であり、システムティック不確実性に制限を受ける解析において顕著な向上をもたらす。