[논문 리뷰] Unfolding with Generative Adversarial Networks

K. Datta, D. Kar외 1명|arXiv (Cornell University)|2018. 06. 01.

Particle physics theoretical and experimental studies참고 문헌 25인용 수 89

한 줄 요약

본 논문은 MSGAN을 소개한다, detector-to-particle transfer 함수를 학습하는 반지도학 GAN 기반의 언폴딩 방법이며, 다양한 분포에 걸쳐 Bayesian 및 SVD 언폴딩과의 성능을 비교한다.

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.

연구 동기 및 목표

• 검출기 수준의 분포를 입자 수준으로 확산시키는 언폴딩의 동기를 부여하여 측정값의 외부 활용을 가능하게 한다.
• 감지된 지도 학습 MSE 손실과 적대적 학습을 결합한 반지도학 GAN 기반의 언폴딩 접근법(MSGAN)을 제안한다.
• MSGAN을 여러 제트 서브구조 관찰값과 MET에서 Bayesian 반복 언폴딩 및 SVD 언폴딩과 비교 평가한다.
• 다양한 모양의 분포에 걸친 강건성을 평가하고 한계 및 잠재적 확장에 대해 논의한다.

제안 방법

• 표준 GAN 프레임워크를 적용하여 reco(검출기 수준)에서 gen(입자 수준) 분포로의 매핑을 학습한다.
• 생성기가 데이터와의 정합성을 맞추기 위해 감독된 평균 제곱 오차(MSE) 손실을 추가하여 MSGAN을 도입한다.
• 생성기를 위한 새로운 잠재 공간을 reco 값(p_reco)에서 추출하여 데이터 분포로의 학습을 유도한다.
• 한쪽 라벨 스무딩과 진짜/가짜 샘플에 대한 개별 업데이트를 사용하고, 그 뒤에 명시적 회귀 단계를 수행한다.
• 특정 층 구성을 가진 완전 연결(fully connected) 생성기와 판별기를 사용하고 Adam 옵티마이저로 학습하며 빈 기반의 중지 기준을 적용한다.

실험 결과

연구 질문

• RQ1 반도체 반지도학 GAN(MSGAN)이 reco에서 gen으로의 분포를 펼치기 충분한 검출기 응답을 학습할 수 있는가?
• RQ2 다양한 분포 형태에 대해 MSGAN의 성능은 Bayesian 반복 언폴딩 및 SVD 언폴딩과 어떻게 비교되는가?
• RQ3 꼬리 부분이나 평평한 영역에서 MSGAN의 한계는 무엇이며, 잠재 공간 또는 손실 설계를 어떻게 조정하여 이를 완화할 수 있는가?
• RQ4 MSGAN이 여러 관측값을 함께 다루고 더 높은 차원의 언폴딩 작업으로 확장될 수 있는가?

주요 결과

• MSGAN은 주요하고 흥미로운 영역에서의 언폴딩 성능이 여러 관찰값에 대해 표준 Bayesian 및 SVD 방법과 비교 가능하다.
• MSGAN의 성능은 분포의 꼬리 영역에서 다소 하락하는데, 이는 통계적으로 제한되거나 더 평평한 영역에서 나타난다(예: z_g 및 MET 꼬리 영역).
• 적대적 학습 외에도 감독된 MSE 손실을 사용하면 학습이 안정되고 데이터 분포로의 수렴이 촉진된다.
• 이 접근법은 탐지기 효과를 인코딩하는 전달 함수를 학습하여 Bayesian 방식처럼 반복하지 않고도 직접 언폴딩이 가능하게 한다.
• MSGAN은 간단한 완전 연결 네트워크로도 작동하므로 공통 아키텍처로 다중 관찰값에 대한 가능성을 시사한다.
• 이 방법은 상호 연관된 탐지기 효과에 대해 가능성을 보이며 향후 고차원적 분포로의 확장 가능성을 시사한다.