論文の概要: Model-Agnostic Search for New Physics in the Presence of Imperfect Background by Smearing the Data
- arxiv url: http://arxiv.org/abs/2610.40734v1
- Date: Thu, 29 Oct 2026 13:54:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.45216
- Title: Model-Agnostic Search for New Physics in the Presence of Imperfect Background by Smearing the Data
- Title（参考訳）: データの精査による不完全背景の存在下での新しい物理のモデル非依存探索
- Abstract要約: Smearing and Imperfect background (MASSIB) を用いたモデル非依存検索を提案する。
MASSIBは、機械学習から最新のツールを用いて、不特定背景分布に対する事象の密度比を学習する。
我々は、MASSIBが、異なる種類の信号に対して一貫した高信号濃度を実現するデータ駆動型SRを特定することを実証した。
- 参考スコア（独自算出の注目度）: 0.7570246812206771
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the search for new particles in high-energy physics, it is necessary to first define the signal region (SR) enriched in signal events, and then compare events in this region with the expected background distribution. While most existing search methods rely on prior domain knowledge of either the signal or the background, there has been less effort to relax both assumptions simultaneously, as methods that weaken one assumption typically rely on strong knowledge of the other. We propose Model-Agnostic Search with Smearing and Imperfect Background (MASSIB), a method that addresses this challenge by learning the density ratio of events relative to a misspecified background distribution using modern tools from machine learning, and defining the SR as the region with high density ratio. Recognizing that a naive application of this idea introduces significant bias in background estimation when interpolating from the control region to the SR, MASSIB mitigates this issue by introducing a "smeared" density ratio, which can be learned efficiently through data-level manipulation and used to define an SR that allows for accurate background estimation. By applying it to various types of simulated Large Hadron Collider (LHC) events with realistic background mismodeling, we demonstrate that MASSIB identifies a data-driven SR that achieves high signal concentration consistently across different types of signals while avoiding bias in background estimation. The method does this without making strong assumptions about either the signal or background distribution. We then show that this robustness extends to the validity and strong statistical power of the resulting hypothesis tests for signal detection, demonstrating the potential of this approach for future model-agnostic searches at the LHC.
- Abstract（参考訳）: 高エネルギー物理学における新しい粒子の探索には、まず信号事象に富む信号領域(SR)を定義し、この領域の事象と予測される背景分布を比較する必要がある。
既存の探索手法の多くは、信号または背景の事前のドメイン知識に依存しているが、一方の仮定を弱める方法は他方の強い知識に依存するため、両方の仮定を同時に緩和する努力は少ない。
本研究では,機械学習の最新のツールを用いて,未知の背景分布に対する事象の密度比を学習し,SRを高密度の領域として定義することにより,この課題に対処するモデル非依存検索(MASSIB)を提案する。
制御領域からSRへの補間時の背景推定において,本アイデアの素早い適用が大きなバイアスをもたらすことを認識して,データレベルの操作によって効率的に学習し,正確な背景推定を可能にするSRを定義するために使用される,"smeared" 密度比を導入することにより,この問題を緩和する。
そこで,MASSIBは,背景推定のバイアスを回避しつつ,異なる種類の信号に対して一貫した高信号濃度を実現するデータ駆動型SRを同定した。
この方法は、信号や背景分布について強い仮定をすることなく、これを行う。
このロバスト性は、信号検出のための仮説テストの結果の妥当性と強力な統計力にまで拡張され、今後のLHCにおけるモデルに依存しない探索の可能性を示す。
関連論文リスト
- Noise-robust discrimination of incoherent point sources with spatial-mode demultiplexing [0.9843385481559191]
2つの低次エルミート・ガウスモードは、1つの音源と2つの不整点源の識別において、背景雑音に対して顕著な堅牢性を示す。
我々は、一様背景雑音を取り入れた理論的枠組みを確立し、解析的なチェルノフ指数式を導出する。
本研究は,天文学的な観測や量子センシングなど,背景雑音が避けられないアプリケーションに対して,実用的な検出手法を提供する。
論文 参考訳（メタデータ） (2026-08-03T06:37:10Z) - Conformal Prediction for Multi-Source Detection on a Network [59.17729745907474]
マルチソース検出問題について検討する。
グラフ上のノード感染状況のスナップショットが与えられた場合、伝播を開始するソースノードのセットを推定する。
本稿では,ソースセット検出のための統計的に有効なリコール保証を提供する新しいコンフォメーション予測フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-12T01:09:56Z) - Latent Diffusion Model Based Denoising Receiver for 6G Semantic Communication: From Stochastic Differential Theory to Application [11.385703484113552]
生成人工知能(GAI)を利用した新しい意味コミュニケーションフレームワークを提案する。
意味的特徴抽出のための変分オートエンコーダを組み合わせた潜在拡散モデル(LDM)に基づくセマンティックコミュニケーションフレームワークを提案する。
提案システムはゼロショットの一般化をサポートし,低SNRおよびアウト・オブ・ディストリビューション条件下での優れた性能を実現する訓練自由フレームワークである。
論文 参考訳（メタデータ） (2025-06-06T03:20:32Z) - Generative Edge Detection with Stable Diffusion [52.870631376660924]
エッジ検出は一般的に、主に識別法によって対処されるピクセルレベルの分類問題と見なされる。
本稿では、事前学習した安定拡散モデルのポテンシャルを十分に活用して、GED(Generative Edge Detector)という新しい手法を提案する。
複数のデータセットに対して広範な実験を行い、競争性能を達成する。
論文 参考訳（メタデータ） (2024-10-04T01:52:23Z) - 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) - Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。
本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。
提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
論文 参考訳（メタデータ） (2024-05-22T22:22:25Z) - Residual ANODE [0.0]
データ駆動型モデル非依存型共振異常検出のための新しい手法であるR-ANODEを提案する。
R-ANODEの鍵は、正規化フローを小さく未知の信号成分に直接適合させることにより、異常検出タスクの誘導バイアスを高めることである。
本手法は,未知の信号区間が学習されたり固定されたりしても等しく動作し,信号区間の誤識別に対してさえ頑健であることを示す。
論文 参考訳（メタデータ） (2023-12-18T19:00:03Z) - On the Effective Usage of Priors in RSS-based Localization [56.68864078417909]
本稿では、受信信号強度(RSS)指紋と畳み込みニューラルネットワークに基づくアルゴリズムLocUNetを提案する。
本稿では,密集市街地における局所化問題について検討する。
まず,LocUNetがRx位置やRxの事前分布を学習し,トレーニングデータから送信者(Tx)アソシエーションの好みを学習し,その性能を評価できることを示す。
論文 参考訳（メタデータ） (2022-11-28T00:31:02Z) - Anomaly Detection with Density Estimation [2.0813318162800707]
我々は新しい教師なし異常検出手法(ANODE)を提案する。
信号領域およびサイドバンドにおけるデータの確率密度を推定することにより、データとバックグラウンドとの確率比を構築することができる。
ANODEは信号領域とサイドバンドの体系的な違いに対して堅牢であり、他の方法よりも広い適用性を与えている。
論文 参考訳（メタデータ） (2020-01-14T19:00:02Z)
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。