Gaussian Process Eigenmodes for Statistical and Systematic Uncertainties in Template Fits

Este artículo propone sustituir los factores tradicionales por bin de Barlow-Beeston y los modificadores de interpolación por una base unificada de modos propios derivada de las posteriores de procesos de Cox log-Gaussianos para modelar de manera eficiente tanto las incertidumbres estadísticas como las sistemáticas en los ajustes de plantillas del LHC, reduciendo así la dimensionalidad mientras se preserva o acota la varianza original.

Lo esencial

Imagina que estás intentando encontrar una gema diminuta y rara (una nueva partícula) oculta dentro de una pila masiva y ruidosa de arena (datos de fondo) en un colisionador de partículas gigante. Para lograrlo, los físicos utilizan una "plantilla": un mapa de cómo debería verse la pila de arena si no hay ninguna gema. Comparan sus observaciones reales con este mapa. Si la pila real tiene una protuberancia extraña que el mapa no predice, esa podría ser la gema.

El problema es que crear este mapa es complicado. El mapa se construye a partir de simulaciones por computadora (Monte Carlo), que son como tomar un número limitado de fotografías de la arena. Si no tienes suficientes fotografías, el mapa se vuelve granuloso y lleno de "ruido" (ruido estadístico). Si intentas hacer el mapa demasiado detallado para ver la gema con claridad, el ruido se vuelve tan fuerte que no puedes confiar en el mapa en absoluto.

Este artículo propone una nueva forma de construir ese mapa utilizando Procesos Gaussianos (PG), que es una forma matemática sofisticada de decir "adivinación suave e inteligente".

Aquí tienes el desglose de las ideas del artículo utilizando analogías simples:

1. La Vieja Forma: El Mapa "Pixelado"

Tradicionalmente, los físicos construyen su mapa dividiendo los datos en cajas diminutas (bins) y contando la arena en cada caja.

• El Problema: Si tienes un número limitado de fotografías de simulación, algunas cajas estarán vacías o tendrán muy pocos granos. Para manejar la incertidumbre de estas cajas vacías, el método antiguo añade un "factor de oscilación" (un parámetro de molestia) a cada caja individual.
• La Consecuencia: Si tienes un mapa 3D con millones de cajas, terminas con millones de factores de oscilación. Es como intentar dirigir un barco ajustando un timón separado para cada tabla individual de madera. Es computacionalmente pesado, y cuando los datos son escasos, el mapa se vuelve tan inestable que podría ocultar la gema o crear falsas.

2. La Nueva Forma: El Mapa "Río Suave"

Los autores sugieren reemplazar las cajas pixeladas con un río suave y fluido (una función matemática). En lugar de contar granos en cajas, utilizan un Proceso Gaussiano para dibujar una curva suave que se ajusta a los datos de arena.

• La Magia: Debido a que la curva es suave, "sabe" que si una parte del río está alta, los vecinos probablemente también lo estarán. Toma fuerza prestada de sus vecinos.
• El Resultado: Incluso con muy pocas fotografías (bajas estadísticas), el mapa permanece suave y fiable. No se vuelve granuloso. El artículo demuestra matemáticamente que este mapa suave es siempre más preciso (tiene menos incertidumbre) que el antiguo mapa pixelado, nunca peor.

3. El Truco de la "Eigenmode": Comprimiendo el Ruido

El artículo también aborda las "incertidumbres sistemáticas": estas son como defectos conocidos en la lente de la cámara (por ejemplo, la lente podría estar ligeramente borrosa o desplazada).

• La Vieja Forma: Añades una perilla separada para cada posible forma en que la lente podría estar equivocada, para cada caja individual.
• La Nueva Forma: Los autores utilizan una técnica llamada descomposición de eigenmodos. Imagina que el mapa tiene unas pocas "formas fundamentales" (como una onda, una colina o una depresión) que representan las formas más comunes en que los datos pueden oscilar debido al ruido o a defectos de la lente.
• El Beneficio: En lugar de ajustar millones de perillas, solo necesitas ajustar un puñado de estas perillas de "forma fundamental". Es como comprimir un archivo de video enorme y de alta definición en un pequeño MP3; conservas la información más importante (la forma de la señal) y descartas el ruido redundante. Esto hace que las matemáticas sean mucho más rápidas y fáciles de resolver.

4. La Compensación: "Dos Pasos" vs. "Un Solo Paso"

El artículo es honesto sobre una limitación.

• El Método Antiguo (Barlow-Beeston): Esto es como un "perfil conjunto". Observa los datos y el mapa simultáneamente, ajustando las oscilaciones del mapa en tiempo real mientras busca la gema. Es matemáticamente perfecto para encontrar la gema cuando los datos son escasos.
• El Método Nuevo (Eigenmode GP): Este es un proceso de "dos pasos". Primero, construye el mapa suave a partir de la simulación. Segundo, utiliza ese mapa fijo para encontrar la gema.
• El Problema: Debido a que el mapa está fijo en el primer paso, no puede adaptarse perfectamente al ruido específico en los datos finales. El artículo muestra que si tienes muy pocos datos (fotografías escasas), el método antiguo es ligeramente mejor para encontrar la gema porque se adapta mejor. Sin embargo, si tienes muchos datos (lo cual es común en experimentos modernos), la diferencia es mínima, y la velocidad y simplicidad del nuevo método prevalecen.

Resumen de las Afirmaciones del Artículo

• Lo que hicieron: Reemplazaron los mapas de histogramas "pixelados" estándar con mapas suaves de "Proceso Gaussiano" y comprimieron la incertidumbre en unas pocas "eigenmodes" (formas fundamentales).
• Lo que probaron:
  1. Los nuevos mapas suaves están garantizados matemáticamente para ser más precisos que los antiguos mapas pixelados cuando los datos son escasos.
  2. El nuevo método puede reducir el número de "perillas de oscilación" (parámetros) de miles a solo unas pocas docenas, haciendo posibles análisis 3D complejos.
  3. El método antiguo sigue siendo el "estándar de oro" para la eficiencia estadística pura cuando los datos son extremadamente raros, pero el nuevo método es prácticamente superior para experimentos modernos y complejos donde los errores sistemáticos (como defectos de lente) dominan.
• La Herramienta: Lo integraron en un paquete de software gratuito llamado Histimator para que otros físicos puedan usarlo inmediatamente.

En resumen, el artículo ofrece una forma de convertir un mapa granuloso, inestable y computacionalmente pesado en uno suave, estable y eficiente, permitiendo a los físicos buscar nuevas partículas en dimensiones más altas sin perderse en las matemáticas.

Resumen técnico

Resumen Técnico: Modos Propios de Procesos Gaussianos para Incertidumbres Estadísticas y Sistemáticas en Ajustes de Plantillas

Enunciado del Problema
La inferencia estadística en el Gran Colisionador de Hadrones (LHC) depende del marco HistFactory, que utiliza histogramas de plantillas para modelar distribuciones observables. Las incertidumbres en estas plantillas se manejan tradicionalmente mediante dos mecanismos: factores gamma de Barlow–Beeston (BB) por bin para errores estadísticos de Monte Carlo (MC), y modificadores basados en interpolación (por ejemplo, histosys) para variaciones sistemáticas de forma. Ambos mecanismos escalan linealmente con el número de bins. Este escalado se vuelve computacional y conceptualmente prohibitivo para análisis multidimensionales o cuando las muestras de MC son limitadas. Además, el enfoque BB trata los bins como conteos de Poisson independientes, descartando la suavidad física de las distribuciones subyacentes. Esta independencia conduce a una proliferación de parámetros de molestia débilmente restringidos, causando una subcobertura sistemática de las verosimilitudes de perfil cuando las estadísticas de MC son pobres.

Metodología
Los autores proponen reemplazar las plantillas de histogramas discretas con representaciones funcionales suaves derivadas de los posteriores de un Proceso de Cox Log-Gaussiano (LGCP) ajustados a datos de MC. La metodología procede en tres etapas:

1. Modelado LGCP: Los conteos de MC se modelan como un proceso de Poisson donde la log-intensidad se extrae de un Proceso Gaussiano (GP). El modo posterior proporciona una plantilla suave, mientras que la covarianza posterior codifica la incertidumbre estadística correlacionada entre bins.
2. Integración Sistemática: Las variaciones sistemáticas de forma se incorporan generando ajustes GP para los puntos de variación $\pm 1\sigma$. La diferencia en las tasas logarítmicas define una dirección sistemática, que se añade a la covarianza estadística como una actualización de rango 1.
3. Descomposición en Modos Propios: La matriz de covarianza combinada (estadística + sistemática) se descompone en valores propios. Los modos propios resultantes forman una base compacta. Truncar esta base a los $k$ modos principales reemplaza el conjunto completo de factores gamma por bin y parámetros de interpolación con un pequeño número de amplitudes restringidas por una distribución Gaussiana ($z_i$).

Los autores demuestran que esta construcción contiene el formalismo de Barlow–Beeston como un caso límite (cuando la longitud de escala del GP $\ell \to 0$) y que la varianza posterior del GP está estrictamente acotada superiormente por la varianza BB en cada bin. Además, en el límite de incertidumbre estadística despreciable, el marco recupera la interpolación InterpCode 4 de HistFactory.

Contribuciones Clave

• Base Unificada de Incertidumbre: El artículo introduce una única base de modos propios que codifica simultáneamente las incertidumbres estadísticas y sistemáticas de las plantillas, reduciendo significativamente la dimensionalidad del espacio de parámetros en comparación con el enfoque de histogramas.
• Límites Teóricos: Se demuestra que la varianza posterior del GP está acotada por la varianza BB, asegurando que el método no subestime la incertidumbre. Se muestra que el marco recupera tanto a BB como a la interpolación estándar de HistFactory como casos límite.
• Implementación: El método se implementa en el paquete Python de código abierto Histimator, proporcionando una API imperativa para construir estas verosimilitudes sin dependencia del marco ROOT.
• Herramientas de Diagnóstico: El artículo demuestra cómo proyectar las tracciones de los modos propios de nuevo al nivel de bin, permitiendo a los analistas interpretar los resultados utilizando herramientas de diagnóstico por bin familiares.

Resultados
El método se validó contra dos experimentos de referencia:

1. Experimento A (Limitado Estadísticamente): Una búsqueda de resonancias raras con estadísticas de MC limitadas ($N_{MC}$ hasta 100 eventos).

   • Dilema de Binning: La plantilla GP resolvió la tensión entre un binning grueso (difuminar señales) y un binning fino (plantillas ruidosas). Mantuvo una cuantificación de incertidumbre estable (8–15% de incertidumbre posterior) a lo largo del espectro incluso cuando los bins del histograma contenían menos de 5 eventos.
   • Cobertura: Mientras que el método BB de perfil conjunto logró una mejor eficiencia asintótica en el régimen de baja estadística (debido a la adaptación a los datos), el método GP proporcionó estimaciones continuas y utilizables donde los histogramas fallaron (bins vacíos). El método GP exhibió una compensación sesgo-varianza característica de los estimadores de inserción de dos pasos.

2. Experimento B (Limitado Sistemáticamente): Una medición de precisión de la sección eficaz con múltiples fondos y cuatro fuentes sistemáticas.

   • Compresión: La covarianza combinada requirió solo 6–11 modos propios para capturar el 95–99% de la varianza, en comparación con 44 parámetros de molestia (40 gammas + 4 sistemáticos) en el enfoque de histogramas. Esto representa una relación de compresión de aproximadamente 7:1.
   • Rendimiento: El método de modos propios GP logró una linealidad equivalente, anchura de tracción (0.96–0.99) y cobertura de intervalo (67.7–70.5% para intervalos del 68%) al enfoque estándar de histogramas.
   • Robustez: La dimensionalidad reducida condujo a una reducción de seis veces en los ajustes no convergentes en comparación con el método BB.

Significado y Afirmaciones
El artículo afirma que el marco de modos propios ofrece una alternativa fundamentada a las plantillas basadas en histogramas, particularmente en regímenes dominados por incertidumbres sistemáticas o espacios de fase de alta dimensionalidad.

• Eficiencia vs. Robustez: Los autores reconocen explícitamente una limitación teórica: el método GP es un estimador de "inserción de dos pasos", mientras que Barlow–Beeston realiza un "perfil conjunto" que alcanza el límite de eficiencia semiparamétrica. En consecuencia, en regímenes limitados estadísticamente y de canal único (baja relación de luminosidad MC a datos $\tau$), el método BB es estructuralmente superior para la extracción de señales. Sin embargo, en regímenes limitados sistemáticamente (alto $\tau$), la pérdida de eficiencia es despreciable (<9% para $\tau=10$), lo que hace que la compresión de parámetros y la estabilidad del método GP sean la ventaja operativa dominante.
• Escalabilidad: El método escala con la dimensionalidad efectiva del núcleo del GP en lugar del número de bins. Para una plantilla 3D con $20^3$ bins, el método GP requiere $\sim 30$ amplitudes frente a 8,000 gammas BB.
• Efecto de Buscar en Otro Lugar: El fondo suave GP proporciona una estructura de covarianza analítica para el campo del estadístico de prueba, permitiendo el cálculo de factores de ensayo de "buscar en otro lugar" sin simulaciones adicionales de Monte Carlo, una capacidad ausente en el enfoque de histogramas.

El trabajo posiciona el método de modos propios GP no como un reemplazo del enfoque de perfil conjunto en todos los escenarios, sino como una herramienta superior para gestionar incertidumbres sistemáticas de alta dimensionalidad y estabilizar ajustes en regímenes limitados por datos donde los histogramas tradicionales fallan.