Baum-basierte Algorithmen zur schwach überwachten Anomalieerkennung

Schwach überwachte Methoden haben sich als leistungsstarkes Werkzeug für modellunabhängige Anomalieerkennung am Large Hadron Collider (LHC) herausgestellt. Während diese Methoden bemerkenswerte Leistungen bei spezifischen Signaturen wie Dijet-Resonanzen gezeigt haben, erfordert ihre Anwendung auf eine modellunabhängigere Weise den Umgang mit einer größeren Anzahl potenziell rauschbehafteter Eingangsmerkmale. In diesem Papier zeigen wir, dass die Verwendung von verstärkten Entscheidungsbäumen als Klassifikatoren in der schwach überwachten Anomalieerkennung eine überlegene Leistung im Vergleich zu tiefen neuronalen Netzwerken bietet. Verstärkte Entscheidungsbäume sind bekannt für ihre Effektivität in der Analyse von tabellarischen Daten. Unsere Ergebnisse zeigen, dass sie nicht nur deutlich schnellere Trainings- und Evaluierungszeiten bieten, sondern auch robust gegenüber einer großen Anzahl rauschbehafteter Eingangsmerkmale sind. Durch die Verwendung von fortschrittlichen gradientenverstärkten Entscheidungsbäumen in Kombination mit Ensemble-Techniken und einem erweiterten Merkmalssatz verbessern wir die Leistung schwach überwachter Methoden zur Anomalieerkennung am LHC erheblich. Dieser Fortschritt ist ein entscheidender Schritt in Richtung einer modellunabhängigeren Suche nach neuer Physik. Veröffentlicht von der American Physical Society 2024.