論文の概要: Local Diagnostics of Learned Event Representations for Anomaly Detection at the HL-LHC

• arxiv url: http://arxiv.org/abs/2610.13437v1
• Date: Fri, 09 Oct 2026 11:37:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.554978
• Title: Local Diagnostics of Learned Event Representations for Anomaly Detection at the HL-LHC
• Title（参考訳）: HL-LHCにおける異常検出のための学習事象表現の局所診断
• Abstract要約: 異常検出は、大型ハドロン衝突型加速器における新しい物理探索の最も有望な戦略の1つである。 現実的な高輝度LHC条件下でシミュレーションした750万イベントデータセットであるCOLLIDE-2Vの教師付きおよび自己教師型ニューラルネットワーク埋め込み戦略を評価した。 本稿では,Gaussian Mixture ModelをSM潜在空間に適合させる局所診断パイプラインを導入し,プロセスラベルを使わずに各コンポーネントを高レベルな可観測性でプロファイリングし,フラグ付きイベントをローカライズし,局所的な識別力で可観測物をランク付けする。
• 参考スコア（独自算出の注目度）: 6.113749956371769
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anomaly detection, the identification of collision events that deviate from Standard Model expectations, is one of the most promising model-agnostic strategies for new-physics searches at the Large Hadron Collider. Searching for rare events in learned low-dimensional representations removes the need to commit to hand-crafted observables a priori, but sacrifices the immediate physical interpretation those observables provide. For anomaly detection to enter a discovery pipeline, flagged events must therefore be diagnosed locally, both to distinguish potential new physics from mismodeling or detector effects and to identify observables for targeted follow-up searches. We evaluate supervised and self-supervised neural embedding strategies on COLLIDE-2V, a 750-million-event dataset simulated under realistic High-Luminosity LHC conditions, using the reconstruction error of an autoencoder trained in the learned latent space as the anomaly score. Across the configurations and benchmark signals considered, supervised objectives, which exploit simulation process labels during training, generally outperform their self-supervised counterparts and, in their best configurations, improve on an autoencoder trained directly on kinematic features, raising the signal efficiency at 10% background acceptance on all held-out processes. We further introduce a local diagnostic pipeline that fits a Gaussian Mixture Model to the SM latent space, profiles each component through high-level observables without process labels, localizes the flagged events, and ranks observables by their local discriminating power. The ranking recovers the defining kinematics of the held-out processes, while correlating the anomaly score with the same observables quantifies how closely the score tracks them, revealing cases where the most discriminating observable is not the one the score follows most closely.
• Abstract（参考訳）: 標準模型予測から逸脱する衝突事象を識別する異常検出は、大型ハドロン衝突型加速器における新物理探索において最も有望なモデルに依存しない戦略の1つである。 学習された低次元表現における稀な事象の探索は、手作りの観測対象を先入観としてコミットする必要をなくすが、それらの観測対象が提供する即時的な物理的解釈を犠牲にする。 異常検出が発見パイプラインに入るためには、フラグ付きイベントを局所的に診断し、潜在的な新しい物理を誤モデリングや検出器効果と区別し、標的となる追従探索のための観測可能なものを特定する必要がある。 現実的な高Luminosity LHC条件下でシミュレートされた750万のデータセットであるCOLLIDE-2Vの教師付きおよび自己教師型ニューラルネットワーク埋め込み戦略を,学習潜時空間で訓練されたオートエンコーダの再構成誤差を異常スコアとして評価した。 トレーニング中のシミュレーションプロセスラベルを利用する教師対象は、考慮された設定とベンチマーク信号全体にわたって、一般的に自己監督されたラベルよりも優れており、最高の構成では、キネマティックな特徴に直接訓練されたオートエンコーダを改善し、すべての保持されたプロセスにおいて、信号効率を10%のバックグラウンド受入率で向上させる。 さらに,Gaussian Mixture ModelをSM潜在空間に適合させるローカル診断パイプラインを導入し,プロセスラベルを使わずに各コンポーネントを高レベルな可観測物でプロファイリングし,フラグ付きイベントをローカライズし,局所的な識別力で可観測物をランク付けする。 ランキングは、保持されたプロセスの定義キネマティクスを復元する一方、異常スコアと同一の可観測値との相関は、スコアがどれだけ近いかを定量化し、最も識別可能な可観測値が最も密接に従わない場合を明らかにする。

関連論文リスト

• Contrastive Learning for Interpretable Anomaly Detection at Collider Experiments [0.009679384749017736]
  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。
  論文  参考訳（メタデータ） (2026-08-13T18:00:05Z)
• Active Adversarial Perturbation-driven Associative Memory Retrieval for RGB-Event Visual Object Tracking [58.338848435042536]
  RGB-Eventトラッキングは、イベントセンサからRGB外観テクスチャと高密度時間運動キューを融合することにより、ローカライズを改善する。 現実世界のシーンは、従来のマルチモーダル融合を妨げる多様な構造的な信号劣化に悩まされる。 本稿では,RGBイベント追跡に適した階層的摂動・検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-24T23:34:06Z)
• 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)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Crane: Context-Guided Prompt Learning and Attention Refinement for Zero-Shot Anomaly Detection [50.343419243749054]
  異常検出は、医学診断や工業的欠陥検出などの分野において重要である。 CLIPの粗粒化画像テキストアライメントは、微粒化異常に対する局所化と検出性能を制限する。 クレーンは最先端のZSADを2%から28%に改善し、画像レベルとピクセルレベルの両方で、推論速度では競争力を維持している。
  論文  参考訳（メタデータ） (2025-04-15T10:42:25Z)
• Toward Model-Agnostic Detection of New Physics Using Data-Driven Signal Regions [0.24578723416255752]
  高エネルギー物理学における新しい粒子の探索において、信号領域(SR)を選択することが重要である。 本稿では,信号イベントの局所的トポロジについて,モデルに依存しないがしばしば現実的な仮定に基づいて構築する手法を提案する。 本研究では,信号イベントの高部分に集中する高次元特徴空間において,データ駆動型SRを効率的に同定できることを実証する。
  論文  参考訳（メタデータ） (2024-09-11T02:49:53Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)

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。