論文の概要: Contrastive Learning for Interpretable Anomaly Detection at Collider Experiments

• arxiv url: http://arxiv.org/abs/2608.13652v1
• Date: Thu, 13 Aug 2026 18:00:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.178557
• Title: Contrastive Learning for Interpretable Anomaly Detection at Collider Experiments
• Title（参考訳）: 衝突実験における解釈型異常検出のためのコントラスト学習
• Authors: Haoyi Jia, Sagar Addepalli, Julia Gonski,
• Abstract要約: 異常検出(ORCA)のためのコントラスト学習による組織的表現を提案する。 ORCAは、様々な物理プロセスからなる教師付きコントラスト学習を通じて埋め込み空間を学び、その空間で標準的なオートエンコーダを実行し、イベントレベルの異常スコアを生成する。 高光度大型ハドロン衝突型加速器の条件と整合したシミュレーションデータセット上で、ORCAは新しい物理信号の幅と感度の深さの両方において大きな向上をもたらす。
• 参考スコア（独自算出の注目度）: 0.009679384749017736
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generic event-level anomaly detection for collider physics has two recurring problems: anomaly scores are hard to interpret, and they correlate strongly with energy scale and object multiplicity. We present Organized Representation via Contrastive learning for Anomaly detection (ORCA), a two-stage framework that first learns an embedding space via supervised contrastive learning across a diverse set of physics processes, then runs a standard autoencoder in that space to generate event-level anomaly scores. On a simulated dataset consistent with conditions at the High-Luminosity Large Hadron Collider, ORCA delivers significant gains in both breadth and depth of sensitivity to new physics signals with respect to a baseline autoencoder architecture. Beyond improved sensitivity, the contrastive embedding makes the anomalous sample interpretable: because known processes occupy distinct regions of the space, a maximum-likelihood template fit to the embedding distributions can attribute events in an anomalous sample to template physics processes with quantified uncertainties. We demonstrate that the fit accurately recovers injected signal yields, including for signals excluded from the training of the embedding, and characterizes signals absent from the template library through the known processes they most resemble. These results establish ORCA as a route to interpretable anomaly detection-based searches at colliders, where the embedding geometry carries higher dimensional physics information compared to standard one-dimensional output fits, enhancing downstream statistical analysis.
• Abstract（参考訳）: コライダー物理学における一般的な事象レベルの異常検出には2つの繰り返しの問題がある: 異常スコアは解釈が困難であり、それらはエネルギースケールとオブジェクトの乗法と強く相関している。 本稿では,多種多様な物理プロセスにまたがって教師付きコントラスト学習を通じて埋め込み空間を学習し,その空間で標準オートエンコーダを実行し,事象レベルの異常スコアを生成する2段階のフレームワークである,異常検出のためのコントラスト学習(ORCA)を提案する。 High-Luminosity Large Hadron Colliderの条件と整合したシミュレーションデータセット上で、ORCAは、ベースラインオートエンコーダアーキテクチャに関する新しい物理信号に対して、幅と感度の両方において大きな利得を提供する。 既知のプロセスが空間の異なる領域を占有しているため、埋め込み分布に適合する最大形テンプレートは、異常なサンプル内のイベントを、定量化された不確実性のあるテンプレート物理プロセスに属性付けることができる。 組込みのトレーニングから除外された信号を含む入力信号の収率を精度よく回復し、最もよく似たプロセスを通じてテンプレートライブラリから欠落した信号を特徴付けることを示した。 これらの結果から, ORCAは, 標準の1次元出力に適合するよりも高次元物理情報を伝達し, 下流の統計解析を向上する, 衝突体における異常検出に基づく探索の経路として確立された。

関連論文リスト

• Physics-Guided Dual Implicit Neural Representations for Source Separation [70.38762322922211]
  我々は,2つの暗黙的ニューラル表現フレームワークを用いて,ソース分離のための自己教師型機械学習手法を開発した。 本手法は,復元に基づく損失関数の最小化により,生データから直接学習する。 本手法は,様々な領域にまたがるソース分離問題に対処する汎用的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-07-07T17:56:31Z)
• Strengthening Anomaly Awareness [0.0]
  我々は、教師なし異常検出の強化を目的とした、異常認識フレームワークの洗練されたバージョンを提案する。 本稿では,2段階のトレーニング戦略を通じて,変分オートエンコーダ(VAE)の最小限の監視を導入する。
  論文  参考訳（メタデータ） (2025-04-15T16:52:22Z)
• Enhancing anomaly detection with topology-aware autoencoders [0.0]
  オートエンコーダは信号に依存しないアプローチを提供するが、その潜在空間の位相によって制限される。 球面(Sn$)、積(S2 otimes S2$)、射影(mathbbRP2$)潜在空間を持つオートエンコーダを構築する。 提案手法をハドロン上クォーク崩壊シミュレーションに適用することにより, 適切な位相制約を持つ潜在空間が異常事象の検出における感度と頑健性を高めることを示す。
  論文  参考訳（メタデータ） (2025-02-14T13:50:46Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• Triggering Dark Showers with Conditional Dual Auto-Encoders [1.5615730862955413]
  本稿では,コライダにおける一般およびモデルに依存しない新しい物理探索のための条件付きデュアルオートエンコーダ(CoDAE)のファミリーを提案する。
  論文  参考訳（メタデータ） (2023-06-22T15:13:18Z)
• Hard-normal Example-aware Template Mutual Matching for Industrial Anomaly Detection [78.734927709231]
  異常検出器は、クエリー画像の未知の欠陥を検出し、ローカライズするために工業製造で広く使われている。 これらの検出器は異常のないサンプルで訓練され、ほとんどの通常のサンプルと区別された異常を成功させた。 しかし、ハードノーマルな例は、ほとんどの通常のサンプルから遠く離れており、しばしば既存の方法によって異常と誤認される。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)
• CSCAD: Correlation Structure-based Collective Anomaly Detection in Complex System [11.739889613196619]
  大規模システムにおける高次元異常検出問題に対する相関構造に基づく集団異常検出モデルを提案する。 本フレームワークでは,変分オートエンコーダを組み合わせたグラフ畳み込みネットワークを用いて,特徴空間の相関とサンプルの再構成不足を共同で活用する。 異常判別ネットワークは、低異常度サンプルを正のサンプルとして、高異常度サンプルを負のサンプルとしてトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-05-30T09:28:25Z)
• Correlation-aware Deep Generative Model for Unsupervised Anomaly Detection [9.578395294627057]
  教師なし異常検出は、高度に複雑で非構造的なデータから異常なサンプルを特定することを目的としている。 本稿では,Deep Gaussian Mixture Model (CADGMM) を用いた教師なし異常検出手法を提案する。 実世界のデータセットを用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-02-18T03:32:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。