[論文レビュー] Unfolding with Generative Adversarial Networks

K. Datta, D. Kar+1 more|arXiv (Cornell University)|Jun 1, 2018

Particle physics theoretical and experimental studies参考文献 25被引用数 89

ひとこと要約

この論文はMSGANを紹介する。半教師ありGANベースの展開法で、検出器から粒子への転送関数を学習し、様々な分布に対してベイズ推定およびSVD展開と性能を比較する。

ABSTRACT

Correcting measured detector-level distributions to particle-level is essential to make data usable outside the experimental collaborations. The term unfolding is used to describe this procedure. A new method of unfolding data using a modified Generative Adversarial Network (MSGAN) is presented here. Applied to various distributions with widely different shapes, it performs roughly at par with currently used methods. This is a proof-of-principle demonstration of a state-of-the-art machine learning method that can be used to model detector effects well.

研究の動機と目的

• 測定の外部利用を可能にするため、検出器レベルの分布を粒子レベルへ展開する動機づけ。
• 監督付きMSE損失と敵対的学習を併用する半教師ありGANベースの展開手法（MSGAN）を提案。
• MSGANを複数のジェットサブストラクチャ観測量とMETについて、ベイズ的反復展開およびSVD展開と比較して評価。
• 異なる形状を持つ分布間での頑健性を評価し、限界と将来の拡張の可能性を議論。

提案手法

• reco（検出器レベル）から gen（粒子レベル）分布への写像を学習するため、標準的なGANフレームワークを適用。
• 生成器をデータと整合させるために、監督付き平均二乗誤差（MSE）損失を追加してMSGANを導入。
• データ分布へ学習を誘導するため、生成器の新規潜在空間をReco値（p_reco）から引く。
• 片側ラベル平滑化と真サンプルと偽サンプルの分離更新を用いて訓練し、その後に明示的な回帰ステップを実行。
• 特定の層構成を持つ完全結合型の生成器と識別器を用い、Adamオプティマイザとビニングベースの停止基準で訓練。

実験結果

リサーチクエスチョン

• RQ1 半教師ありGAN（MSGAN）は検出器応答を十分に学習してRecoからGenへの分布展開を可能にするか。
• RQ2 MSGANの性能は diverse distribution shapes においてベイズ的反復展開およびSVD展開とどのように比較されるか。
• RQ3 尾部や平坦領域におけるMSGANの制限は何か、潜在空間や損失設計をどのように調整すれば緩和できるか。
• RQ4 MSGANは複数の観測量を共同で扱い、高次元の展開タスクへ拡張できるか。

主な発見

• MSGANは、主に関心のある領域において、複数の観測量にわたり標準的なベイズ法およびSVD法と同程度の展開性能を達成する。
• 尾部では分布が統計的に制約されるか平坦になる場合に性能がやや低下、例としてz_gおよびMETの尾部領域。
• 対立的学習に加えて監督付きMSE損失を用いることで学習を安定化させ、データ分布へ収束を導く。
• この手法は検出器効果をエンコードする転送関数を学習し、ベイズ法のような反復なしに直接展開を可能にする。
• MSGANは単純な完全結合ネットワークで動作可能であり、単一アーキテクチャで複数の観測量へ適用できる可能性を示す。
• 検出器効果の相関にも有望であり、将来の研究ではより高次元の分布へ拡張できる可能性を示す。