智能AI
morning
对撞机实验中可解释异常检测的对比学习
摘要
arXiv:2608.13652v1 Announce Type: new Abstract: Generic event-level anomaly detection for collider physics has two recurring problems: anomaly scores are hard to interpret, and they correlate strongly...
the
physics
embedding
anomaly
and
with
processes
detection
for
ORCA
2026-08-17
1 阅读
约1分钟阅读
Haoyi Jia, Sagar Addepalli, Julia Gonski
字号:
arXiv:2608.13652v1 公告类型：新 摘要：对撞机物理的通用事件级异常检测有两个反复出现的问题：异常分数难以解释，并且它们与能量规模和对象多重性密切相关。我们提出了通过对比学习进行异常检测的组织表示（ORCA），这是一个两阶段框架，首先通过跨不同物理过程的监督对比学习来学习嵌入空间，然后在该空间中运行标准自动编码器以生成事件级异常分数。在与高光度大型强子对撞机的条件一致的模拟数据集上，相对于基线自动编码器架构，ORCA 在对新物理信号的敏感性广度和深度上都取得了显着的进步。除了提高灵敏度之外，对比嵌入还使异常样本变得可解释：由于已知过程占据空间的不同区域，因此适合嵌入分布的最大似然模板可以将异常样本中的事件归因于具有量化不确定性的模板物理过程。我们证明了拟合可以准确地恢复注入的信号产量，包括从嵌入训练中排除的信号，并通过它们最相似的已知过程来表征模板库中不存在的信号。这些结果将 ORCA 确立为对撞机上基于可解释异常检测的搜索的途径，其中嵌入几何体与标准一维输出拟合相比携带更高维的物理信息，从而增强了下游统计分析。
这篇文章对您有帮助吗？
订阅66必读
每日精选科技资讯，直达你的邮箱