論文の概要: Likelihood-Based Unsupervised Anomaly Detection in CMS Dijet Events
- arxiv url: http://arxiv.org/abs/2609.06686v1
- Date: Sun, 06 Sep 2026 15:53:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.295559
- Title: Likelihood-Based Unsupervised Anomaly Detection in CMS Dijet Events
- Title（参考訳）: CMSダイジェットイベントにおける様相に基づく教師なし異常検出
- Abstract要約: ニューラルスプラインフロー密度推定を用いた陽子衝突データにおける異常ジジェット事象の教師なし探索を行う。
ジェット、ジジェット、イベントレベルの観測可能な高次元特徴空間上で正規化フローモデルを訓練し、支配的な標準モデル背景を学習する。
学習密度の下で低い確率で割り当てられた事象は、潜在的な異常事象として識別される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present an unsupervised search for anomalous dijet events in proton--proton collision data using neural spline flow density estimation. A normalizing flow model is trained on a high-dimensional feature space comprising jet, dijet, and event-level observables to learn the dominant Standard Model background directly from data, without assuming a specific signal hypothesis. Events assigned low likelihood under the learned density are identified as potential anomalous events. Using this approach on a CMS Open Data dijet sample, we investigate extreme events in the tail of the anomaly-score distribution and perform an extensive validation and robustness study. This study includes feature-level statistical comparisons, mass decorrelation tests, permutation-based null tests, and evaluations of training stability. The selected anomalous events exhibit notable departures from the background-only expectation, primarily in jet-substructure observables, while remaining stable under several known sources of bias in unsupervised learning. The identified anomalies are distributed across the kinematic phase space and do not exhibit a narrow structure in the dijet invariant-mass spectrum. Instead, they show correlated deviations across multiple observables, consistent with a multivariate difference in jet substructure and event topology rather than a localized resonance. While no claim of new physics is made, this study demonstrates that neural spline flow-based density estimation can be sensitive to rare, structured deviations in collider data and may provide a model-independent exploratory tool for searches for physics beyond the Standard Model at the LHC.
- Abstract（参考訳）: ニューラルスプラインフロー密度推定を用いた陽子衝突データにおける異常ジジェット事象の教師なし探索を行う。
ジェット、ダイジェット、イベントレベルオブザーバブルからなる高次元特徴空間上で正規化フローモデルを訓練し、特定の信号仮説を仮定することなく、データから直接支配的な標準モデル背景を学習する。
学習密度の下で低い確率で割り当てられた事象は、潜在的な異常事象として識別される。
本手法をCMSオープンデータジジェットサンプルに適用し,異常スコア分布の尾部における極端事象を調査し,広範囲な検証とロバスト性調査を行う。
本研究は,特徴レベルの統計的比較,質量デコリレーション試験,置換型ヌルテスト,訓練安定性の評価を含む。
選択された異常事象は、主にジェット・サブストラクチャー・オブザーバブルにおいて、背景のみの予測から顕著な逸脱を示し、教師なし学習におけるいくつかの既知のバイアスの元で安定している。
同定された異常は運動位相空間に分散しており、ジジェット不変質量スペクトルの狭い構造は示さない。
代わりに、ジェットのサブ構造と事象トポロジーの多変量差と一致し、複数の観測可能な領域に相関した偏差を示す。
新しい物理学の主張はなされていないが、この研究は、ニューラルスプラインフローに基づく密度推定がコライダーデータの希少な構造的偏差に敏感であり、LHCの標準モデルを超えて物理を探索するためのモデルに依存しない探索ツールを提供する可能性があることを示した。
関連論文リスト
- Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference [54.774686416991386]
我々は、マルチモーダルな異常検出は、クロスモーダルな文脈推論問題として再編成されるべきであると主張している。
この観点はモデル設計、評価プロトコル、ベンチマーク構築に影響を及ぼす。
論文 参考訳（メタデータ） (2026-04-14T19:32:55Z) - Multi-Cue Anomaly Detection and Localization under Data Contamination [0.6703429330486276]
本稿では,適応的偏差学習パラダイムに限定的な異常監視を組み込んだ頑健な異常検出フレームワークを提案する。
本フレームワークは, 各種データ汚染下での強い検出・局所化性能, 解釈可能性, 堅牢性を実現する。
論文 参考訳（メタデータ） (2026-01-30T12:34:13Z) - Leveraging Learning Bias for Noisy Anomaly Detection [19.23861148116995]
本稿では、フル教師なし画像異常検出(FUIAD)の課題に対処する。
従来の方法では、異常のないトレーニングデータを仮定するが、実世界の汚染により、モデルは通常通り異常を吸収する。
モデルに固有の学習バイアスを利用する2段階のフレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-10T17:47:21Z) - MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly
Detection [124.52227588930543]
教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。
不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。
非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。
我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
論文 参考訳（メタデータ） (2023-08-29T13:38:35Z) - TabADM: Unsupervised Tabular Anomaly Detection with Diffusion Models [5.314466196448187]
本稿では,非教師付き異常検出に有効な拡散型確率モデルを提案する。
本モデルは, 特異な拒絶手法を用いて, サンプルの密度を学習するよう訓練されている。
低密度領域のサンプルとして異常を同定する。
論文 参考訳（メタデータ） (2023-07-23T14:02:33Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Catching Both Gray and Black Swans: Open-set Supervised Anomaly
Detection [90.32910087103744]
ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。
これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。
トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。
本稿では,オープンセット型教師付き異常検出に取り組む。
論文 参考訳（メタデータ） (2022-03-28T05:21:37Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳（メタデータ） (2021-08-01T14:33:17Z) - Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。
最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。
本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
論文 参考訳（メタデータ） (2021-05-16T03:55:02Z) - Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。
PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。
12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文 参考訳（メタデータ） (2019-10-30T00:40:25Z)
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。