[论文解读] Event Selection Using an Extended Fisher Discriminant Method

Byron P. Roe|ArXiv.org|Oct 29, 2003

Neural Networks and Applications参考文献 1被引用 4

一句话总结

本文提出了一种扩展的Fisher判别方法，用于在粒子物理事件选择中降低高维、相关且非正态变量的维度。通过对接原变量应用线性组合与非线性变换（对数、指数、立方），再利用Gram-Schmidt正交化生成去相关化、标准化的变量，该方法将49个输入变量减少为12个有效特征。在MiniBooNE数据上的应用表明，该方法使神经网络在保留46%的$ν_e$信号事件的同时，将$π^0/\nu_e$背景比降低至原始值的1.1%。

ABSTRACT

This note discusses the problem of choosing between hypotheses in a situation with many, correlated non-normal variables. A new method is introduced to shrink the many variables into a smaller subset of variables with zero mean, unit variance, and zero correlation coefficient between variables. These new variables are well suited to use in a neural net.

研究动机与目标

• 解决在粒子物理中处理大量、相关且非正态变量时，多变量分析中变量选择的挑战。
• 开发一种半自动方法，将高维、非正态数据转换为一组较少的不相关、标准化变量，适用于神经网络使用。
• 通过降维同时保持判别能力，提升MiniBooNE实验中信号与背景的分离效果。
• 通过生成去相关化、均值为零、方差为1的变量，简化神经网络的训练与解释，且相关性最小化。

提出的方法

• 对原始变量应用改进的Fisher判别，最大化均值平方差与合并方差的比值。
• 使用相关矩阵$S$的逆与信号和背景均值之差的点积，计算最优线性组合。
• 将该方法应用于四组变量：原始变量、对数变换、指数变换和立方变换，得到12个候选变量。
• 根据$|\overline{x}_{\rm sig}-\overline{x}_{\rm bkg}|$与两个方差中较小值的比值对变量进行排序，优先选择信息量大的特征。
• 使用Gram-Schmidt方法对剩余变量相对于所选Fisher组合进行正交化，确保零相关性。
• 迭代剔除原始变量中显著性最低者，并重复该过程，生成一系列去相关化、标准化的特征。

实验结果

研究问题

• RQ1 一种半自动方法能否有效降低粒子物理事件选择中高维、相关且非正态变量的维度？
• RQ2 对原始变量应用非线性变换（对数、指数、立方）是否能提升判别能力，超越标准Fisher判别分析？
• RQ3 去相关化、标准化变量在多大程度上能提升神经网络在信号-背景分离中的性能？
• RQ4 该方法在MiniBooNE实验中减少背景的同时保持信号效率的效果如何？

主要发现

• 该方法将49个原始粒子识别变量减少为12个去相关化、标准化特征，且相关系数为零。
• 在12个推导变量上训练的神经网络保留了46%的$ν_e$信号事件，同时将$π^0/\nu_e$背景比降低至原始值的1.1%。
• 该流程简化了神经网络调参，并通过前九个推导变量的图示清晰展示了各变量的影响。
• 结果与使用26个原始变量子集训练的更复杂神经网络相当，证明了该方法的高效性。
• 即使在非正态、相关输入变量下，该方法也表现出稳健性，在非多元正态设定下优于标准Fisher分析。