[论文解读] 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 89

一句话总结

本文介绍了 MSGAN，一种基于半监督 GAN 的展开方法，学习探测器到粒子传输函数，并将其性能与贝叶斯及 SVD 展开在不同分布下进行比较。

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.

研究动机与目标

• 促使将探测器层级分布展开到粒子层级，以便外部使用测量结果。
• 提出一种基于半监督 GAN 的展开方法（MSGAN），在对抗训练的同时利用有监督的均方误差（MSE）损失。
• 在多种喷注子结构观测量和 MET 上评估 MSGAN，并与贝叶斯迭代展开和 SVD 展开进行比较。
• 评估在不同形状分布下的鲁棒性，并讨论局限性及潜在扩展。

提出的方法

• 应用标准的 GAN 框架学习从 reco（探测器层级）到 gen（粒子层级）分布的映射。
• 通过为生成器添加有监督的均方误差（MSE）损失来引入 MSGAN，以使生成样本与数据对齐。
• 为生成器使用一个新颖的潜在空间，该空间从 reco 值（p_reco）中抽取，以引导学习朝向数据分布。
• 采用单边标签平滑以及对真实样本和伪样本的分离更新，然后进行显式回归步骤。
• 使用具有特定层配置的全连接生成器和判别器，采用 Adam 优化器训练，并结合基于分箱的停止准则。

实验结果

研究问题

• RQ1 半监督 GAN（MSGAN）是否能够充分学习探测器响应以实现从 reco 到 gen 的分布展开？
• RQ2 在不同分布形状下，MSGAN 的性能与贝叶斯迭代展开和 SVD 展开相比如何？
• RQ3 MSGAN 在尾部区间或平坦区域的局限性有哪些，如何调整潜在空间或损失设计以缓解它们？
• RQ4 MSGAN 能否同时处理多个观测量并扩展到高维展开任务？

主要发现

• MSGAN 在主要、有趣区域的展开性能，与在多个观测量上的标准贝叶斯和 SVD 方法相当。
• 在尾部区域，由于分布统计数据有限或更平坦，MSGAN 的性能略有下降，例如 z_g 和 MET 尾部区域。
• 结合对抗训练使用有监督的 MSE 损失可稳定学习并引导收敛到数据分布。
• 该方法学习一个编码探测器效应的传递函数，能够实现直接展开，无需像贝叶斯方法那样迭代。
• MSGAN 可以使用一个简单的全连接网络运行，表明对多观测量采用统一架构具有可行性。
• 该方法在探测器效应相关性方面显示出潜力，未来工作可以扩展到高维分布。