[论文解读] FETA: Flow-Enhanced Transportation for Anomaly Detection

T. Golling, Samuel Klein+2 more|arXiv (Cornell University)|Dec 21, 2022

Astrophysics and Cosmic Phenomena被引用 4

一句话总结

FETA 提出了一种基于流的、模拟辅助的方法，用于在大型强子对撞机（LHC）的共振异常探测中构建背景模板，通过学习高保真标准模型（SM）模拟与边带区域数据之间的归一化流映射。该模型通过质量条件实现对信号区域的插值，实现了与最先进方法相当的灵敏度，同时生成的背景样本与其他方法无关，从而支持互补的搜索策略。

ABSTRACT

Resonant anomaly detection is a promising framework for model-independent searches for new particles. Weakly supervised resonant anomaly detection methods compare data with a potential signal against a template of the Standard Model (SM) background inferred from sideband regions. We propose a means to generate this background template that uses a flow-based model to create a mapping between high-fidelity SM simulations and the data. The flow is trained in sideband regions with the signal region blinded, and the flow is conditioned on the resonant feature (mass) such that it can be interpolated into the signal region. To illustrate this approach, we use simulated collisions from the Large Hadron Collider (LHC) Olympics Dataset. We find that our flow-constructed background method has competitive sensitivity with other recent proposals and can therefore provide complementary information to improve future searches.

研究动机与目标

• 为解决在 LHC 数据中构建精确标准模型（SM）背景模板的挑战，尤其是在理论和探测器建模近似导致模拟精度不足的情况下。
• 开发一种模拟辅助的特征形变方法，学习 SM 模拟与真实数据之间的上下文相关映射，以提高背景模板的保真度。
• 通过将流模型基于共振特征（如质量）进行条件化，实现对信号区域的稳健插值。
• 在使用 LHC 奥运会数据进行的现实异常检测任务中，评估 FETA 与现有方法（如 Cathode、Curtains、Salad）的性能对比。
• 证明 FETA 生成的背景模板与其他方法生成的模板不相关，从而支持在多方法异常搜索中实现互补使用。

提出的方法

• FETA 使用归一化流学习高保真 SM 模拟数据（X_SIM）与真实数据（X_DAT）在边带区域之间的双射、可逆映射。
• 通过将流模型基于共振特征（如不变质量）进行条件化，实现对信号区域的插值，从而在无数据区域生成 SM 背景模板。
• 在边带数据上训练基础密度流，以建模底层 SM 背景分布，可通过多次采样（过采样）减少统计不确定性。
• 将学习到的流应用于信号区域的模拟数据，生成反映真实数据特征但保持模拟物理一致性的背景信息模板。
• 通过训练二分类器以区分构建的背景与真实信号区域数据来评估性能，使用显著性提升特征（SIC）和拒绝曲线等指标评估灵敏度。
• 在 LHC 奥运会数据集上验证方法，通过分类器得分相关性和性能指标，将 FETA 的背景模板与 Cathode、Curtains 和 Salad 的结果进行比较。

实验结果

研究问题

• RQ1 基于流的模型能否在边带区域学习到 SM 模拟与真实数据之间的上下文相关、可逆映射，从而实现精确的背景模板构建？
• RQ2 将流模型基于共振质量特征进行条件化，是否能实现对信号区域的可靠插值，以支持异常检测？
• RQ3 在灵敏度和显著性提升方面，FETA 的背景模板性能与 Cathode、Curtains 和 Salad 等最先进方法相比，其量化表现如何？
• RQ4 FETA 生成的背景样本是否与其它方法生成的样本在统计上不相关，从而支持在多方法异常搜索中实现互补使用？
• RQ5 对基础密度流进行过采样对分类器性能和背景模板统计不确定性有何影响？

主要发现

• FETA 在显著性提升特征（SIC）指标上实现了与其他近期方法相当的灵敏度，证明其在共振异常检测中的可行性。
• 分类器性能在过采样因子为 5 时达到峰值，此后性能趋于饱和，表明超过此点后收益递减。
• 当信号注入事件数达到 2000 个或以上（S/B ≥ 1.97%）时，所有过采样因子的性能表现相似，表明在更高信号水平下性能趋于饱和。
• 在无信号和有信号注入的场景下，FETA 生成的背景样本与 Cathode、Curtains 和 Salad 生成的样本均表现出广泛的不相关性，表明其相空间覆盖具有差异性。
• 在存在信号时，FETA 与其他方法的分类器得分高度相关，证实所有方法均对同一异常具有敏感性。
• 该方法成功通过基于质量条件化的流模型，将背景模板插值到信号区域，实现了无需完全依赖数据驱动假设的精确、基于模拟的背景估计。