Neural Fake Factor Estimation Using Data-Based Inference

Resumen Técnico: Estimación de Factores de Falsos mediante Inferencia Basada en Datos con Redes Neuronales

Planteamiento del Problema
En los análisis de física de altas energías (HEP), los fondos "falsos" surgen de eventos que fallan los criterios formales de selección de señal, pero que son aceptados debido a partículas mal reconstruidas o mal identificadas, como leptones no prompt o jets hadrónicos confundidos con leptones. Tradicionalmente, estos fondos se estiman mediante técnicas basadas en datos, notablemente el método del Factor de Falso (Fake Factor). Este método extrapola la contribución de los leptones falsos desde una región de selección más laxa y cinemáticamente adyacente (Región de Control, CR) hacia la Región de Señal (SR) utilizando un factor de escala (el "factor de falso").

La implementación convencional de este método se basa en la estimación por bins (compartimentos), donde el factor de falso se calcula como la relación de dos histogramas (selecciones estrictas frente a laxas) en un espacio de baja dimensionalidad (típicamente el momento transversal $p_T$ y la pseudorapidez $\eta$). Este enfoque enfrenta varias limitaciones:

1. Artefactos de Binning: La elección de los bins impacta significativamente los resultados; los bins gruesos pierden características cinemáticas, mientras que los bins finos sufren fluctuaciones estadísticas, bins vacíos o valores negativos.
2. Límites de Dimensionalidad: Debido a la estadística limitada, el método suele restringirse a unas pocas variables, lo que impide capturar correlaciones complejas con otras variables de la topología del evento (por ejemplo, la energía transversal faltante $E^{miss}_T$ o la multiplicidad de jets).
3. Incertidumbre de Extrapolación: Las discontinuidades causadas por el binning y la incapacidad de modelar dependencias de alta dimensionalidad degradan la precisión de la extrapolación de las estimaciones de fondo hacia la región de señal.

Metodología
Los autores proponen un novedoso método de Factor de Falso basado en Aprendizaje Automático (ML) que reemplaza el histogramado por la estimación de la razón de densidad mediante redes neuronales. Este enfoque, denominado Inferencia Basada en Datos (DBI), estima una función de factor de falso continua y sin bins (unbinned) por cada evento.

El método se estructura en dos pasos principales:

1. Paso de Sustracción (Eliminación de Leptones Reales):
   Dado que el factor de falso debe derivarse únicamente de leptones falsos, la contribución de los leptones reales (prompt) debe restarse tanto de las muestras de datos como de las de Monte Carlo (MC) en las regiones estricta y laxa. Los autores entrenan dos clasificadores binarios independientes para estimar la razón de los datos frente a la simulación de Monte Carlo (MC) en las regiones estricta y laxa por separado ($r_{T,L} = N^{data}/N^{MC}$).

   • Estos clasificadores se entrenan para distinguir eventos de datos (etiqueta 1) de eventos de MC (etiqueta 0).
   • La salida se utiliza para reponderar los eventos de datos (o de MC) para obtener densidades "reales-restadas".
   • Para garantizar la validez física (pesos positivos), se aplica una función de activación de valor absoluto suave (soft absolute) a la salida del logit del clasificador, asegurando que la razón $r > 1$ y que los pesos resultantes permanezcan positivos.

2. Paso de Razón (Estimación del Factor de Falso):
   Se entrena un tercer clasificador binario para distinguir entre las muestras reales-restadas estrictas (numerador) y laxas (denominador).

   • El conjunto de entrenamiento consiste en eventos reponderados de ambas regiones.
   • El clasificador aprende la razón de verosimilitud entre las dos hipótesis.
   • El factor de falso final $F(x)$ para un evento con características $x$ se estima como el exponencial de la salida del clasificador: $F(x) = \exp(q(x))$.
   • Esto genera una función continua dependiente de un espacio de características de alta dimensionalidad (por ejemplo, $p_T, \eta, E^{miss}_T, N_{jets}, m_T$).

Arquitectura del Modelo y Entrenamiento

• Arquitectura: Los autores utilizan una ResNet de pre-activación con cuatro bloques residuales, cada uno con dos capas de 128 neuronas. Esta arquitectura mitiga el desvanecimiento del gradiente y permite el entrenamiento estable de redes más profundas en comparación con las redes de alimentación directa estándar.
• Procesamiento de Entrada: Las características numéricas se estandarizan, y las características categóricas se codifican mediante etiquetas (label-encoding) y se procesan mediante incrustaciones (embeddings). Una capa de incrustación mapea las características a un espacio de mayor dimensión, seguido de un agrupamiento medio (mean pooling).
• Función de Pérdida: El entrenamiento utiliza entropía cruzada binaria con un término de regularización al cuadrado para evitar densidades explosivas. Para los clasificadores de sustracción, una activación de valor absoluto suave asegura salidas no negativas; para el clasificador de razón, se utiliza una activación lineal.
• Entrenamiento: El modelo se entrena utilizando el optimizador AdamW con parada temprana (early stopping) basada en la pérdida de validación.

Contribuciones Clave

1. Estimación Continua y Sin Bins: El método proporciona un factor de falso por evento, eliminando los artefactos de binning y las discontinuidades inherentes a los métodos basados en histogramas.
2. Flexibilidad de Alta Dimensionalidad: Al aprovechar las redes neuronales, el método puede incorporar múltiples variables cinemáticas correlacionadas simultáneamente, capturando dependencias complejas que los métodos tradicionales por bins no pueden debido a la "maldición de la dimensionalidad".
3. Mejora de la Extrapolación: La naturaleza continua del estimador permite una extrapolación más suave y estable desde la región de control hacia la región de señal.
4. Marco de Validación: Los autores demuestran un procedimiento de validación robusto de dos pasos (sustracción y razón) utilizando datos abiertos de ATLAS, asegurando que el método maneje correctamente la contaminación de leptones reales.

Resultados
El método fue validado mediante un análisis de eventos $W \to e\nu$ de los datos de ATLAS del Run 2.

• Región de Control (CR): El método basado en ML mostró una buena concordancia con el método tradicional por bins en la CR. Mientras que el método por bins funcionó ligeramente mejor en regiones de bajo $p_T$ con alta estadística, el método de ML demostró un modelado superior en variables como $E^{miss}_T$ y $m_T$, las cuales son difíciles de incluir en análisis por bins debido a las restricciones estadísticas.
• Región de Señal (SR): Al extrapolar a la SR ($m_T > 60$ GeV), el método basado en ML proporcionó predicciones significativamente mejores tanto en forma como en normalización en comparación con el método por bins. El método por bins exhibió mayores discrepancias y un modelado sistemático erróneo, particularmente en las distribuciones de $E^{miss}_T$ y $m_T$, debido a su dependencia de un binning grueso y a la limitación en la inclusión de variables.
• Estabilidad: El enfoque de ML produjo distribuciones más suaves con reducidas fluctuaciones estadísticas, particularmente en regiones con menor conteo de eventos o correlaciones complejas.

Significado y Reivindicaciones
El artículo afirma que el método de Factor de Falso basado en ML representa un avance significativo en la estimación de fondos basada en datos para la física de altas energías. Al pasar de un binning discreto de baja dimensionalidad a una estimación de la razón de densidad de alta dimensionalidad y continua, el método:

• Mitiga las limitaciones comunes como el sesgo de selección de binning y las incertidumbres de extrapolación.
• Mejora la capacidad de modelar correlaciones complejas entre variables.
• Aumenta la sensibilidad de las búsquedas de señales raras al proporcionar estimaciones de fondo más precisas, reduciendo así el riesgo de señales espurias derivadas de un modelado incorrecto.

Los autores enfatizan que, aunque el método se demostró en un análisis simple del bosón $W$, su marco es intrínsecamente adaptable a estados finales de múltiples leptones y otros objetos mal identificados. Señalan que el trabajo futuro se centrará en la integración de la estimación de la incertidumbre sistemática y en la aplicación del método a análisis más complejos del LHC que busquen nueva física. El código para la implementación se ha puesto a disposición pública.