Neural Fake Factor Estimation Using Data-Based Inference

Résumé Technique : Estimation de Facteur de Faux par Inférence Basée sur les Données via Réseaux de Neurones

Énoncé du Problème
Dans les analyses de la haute énergie physique (HEP), les fonds « faux » proviennent d'événements qui échouent aux critères formels de sélection du signal mais sont acceptés en raison de particules mal reconstruites ou mal identifiées, telles que des leptons non-prompt ou des jets hadroniques pris pour des leptons. Traditionnellement, ces fonds sont estimés à l'aide de techniques basées sur les données, notamment la méthode du Facteur de Faux (Fake Factor). Cette méthode extrapole la contribution des leptons faux d'une région de sélection plus lâche, cinématiquement adjacente (Région de Contrôle, CR), vers la Région de Signal (SR) en utilisant un facteur d'échelle (le « facteur de faux »).

L'implémentation conventionnelle de cette méthode repose sur une estimation par bacs (binning), où le facteur de faux est calculé comme le rapport de deux histogrammes (sélections « tight » vs « loose ») dans un espace de faible dimension (typiquement l'impulsion transverse $p_T$ et la pseudorapidité $\eta$). Cette approche fait face à plusieurs limites :

1. Artéfacts de Binning : Le choix du découpage impacte significativement les résultats ; des bacs grossiers perdent les caractéristiques cinématiques, tandis que des bacs fins souffrent de fluctuations statistiques, de bacs vides ou de valeurs négatives.
2. Limites de Dimensionnalité : En raison de la statistique limitée, la méthode est généralement restreinte à quelques variables, empêchant la capture de corrélations complexes avec d'autres variables de topologie d'événement (par exemple, l'énergie transverse manquante $E^{miss}_T$ ou la multiplicité des jets).
3. Incertitude d'Extrapolation : Les discontinuités causées par le binning et l'incapacité à modéliser les dépendances de haute dimension dégradent la précision de l'extrapolation des estimations de fond vers la région de signal.

Méthodologie
Les auteurs proposent une nouvelle méthode de Facteur de Faux basée sur l'Apprentissage Automatique (ML) qui remplace l'histogrammation par une estimation de rapport de densité neuronale. Cette approche, appelée Inférence Basée sur les Données (DBI), estime une fonction de facteur de faux continue et non-binée par événement.

La méthode est structurée en deux étapes principales :

1. Étape de Soustraction (Retrait des Leptons Réels) :
   Puisque le facteur de faux doit être dérivé uniquement des leptons faux, la contribution des leptons réels (prompt) doit être soustraite des échantillons de données (tight et loose) séparément. Les auteurs entraînent deux classificateurs binaires indépendants pour estimer le rapport entre les données et la simulation Monte Carlo (MC) dans les régions tight et loose séparément ($r_{T,L} = N^{data}/N^{MC}$).

   • Ces classificateurs sont entraînés pour distinguer les événements de données (label 1) des événements MC (label 0).
   • Le résultat est utilisé pour repondérer les événements de données (ou MC) afin d'obtenir des densités « sans le réel soustrait ».
   • Pour garantir la validité physique (poids positifs), une fonction d'activation absolue douce (soft absolute) est appliquée à la sortie logit du classificateur, garantissant que le rapport $r > 1$ et que les poids résultants restent positifs.

2. Étape de Rapport (Estimation du Facteur de Faux) :
   Un troisième classificateur binaire est entraîné pour distinguer les échantillons « tight » (numérateur) des échantillons « loose » (dénominateur) après soustraction du réel.

   • Le jeu de données d'entraînement est constitué d'événements repondérés provenant des deux régions.
   • Le classificateur apprend le rapport de vraisemblance entre les deux hypothèses.
   • Le facteur de faux final $F(x)$ pour un événement avec des caractéristiques $x$ est estimé comme l'exponentielle de la sortie du classificateur : $F(x) = \exp(q(x))$.
   • Cela produit une fonction continue dépendant d'un espace de caractéristiques de haute dimension (ex: $p_T, \eta, E^{miss}_T, N_{jets}, m_T$).

Architecture du Modèle et Entraînement

• Architecture : Les auteurs utilisent un ResNet à pré-activation avec quatre blocs résiduels, chacun contenant deux couches de 128 neurones. Cette architecture atténue la disparition du gradient et permet un entraînement plus stable de réseaux plus profonds par rapport aux réseaux à propagation directe standards.
• Traitement des Entrées : Les caractéristiques numériques sont standardisées, et les caractéristiques catégorielles sont encodées par étiquettes (label-encoded) et intégrées (embedded). Une couche d'intégration (embedding) projette les caractéristiques dans un espace de dimension supérieure, suivie d'un pooling moyen.
• Fonction de Perte : L'entraînement utilise l'entropie croisée binaire avec un terme de régularisation au carré pour éviter l'explosion des densités. Pour les classificateurs de soustraction, une activation absolue douce assure des sorties non négatives ; pour le classificateur de rapport, une activation linéaire est utilisée.
• Entraînement : Le modèle est entraîné avec l'optimiseur AdamW avec un arrêt précoce (early stopping) basé sur la perte de validation.

Principales Contributions

1. Estimation Continue et Non-Binée : La méthode fournit un facteur de faux par événement, éliminant les artéfacts de binning et les discontinuités inhérentes aux méthodes par histogrammes.
2. Flexibilité de Haute Dimension : En exploitant les réseaux de neurones, la méthode peut incorporer simultanément plusieurs variables cinématiques corrélées, capturant des dépendances complexes que les méthodes par bacs traditionnelles ne peuvent pas saisir en raison de la « malédiction de la dimensionnalité ».
3. Amélioration de l'Extrapolation : La nature continue de l'estimateur permet une extrapolation plus fluide et plus stable de la région de contrôle vers la région de signal.
4. Cadre de Validation : Les auteurs démontrent une procédure de validation robuste en deux étapes (soustraction et rapport) en utilisant les données ouvertes ATLAS, garantissant que la méthode gère correctement la contamination par les leptons réels.

Résultats
La méthode a été validée à l'aide d'une analyse des événements $W \to e\nu$ à partir des données ATLAS Run 2.

• Région de Contrôle (CR) : La méthode basée sur le ML a montré un bon accord avec la méthode traditionnelle par bac dans la CR. Bien que la méthode par bac soit légèrement plus performante dans les régions de bas $p_T$ avec une statistique élevée, la méthode ML démontre une modélisation supérieure pour des variables comme $E^{miss}_T$ et $m_T$, qui sont difficiles à inclure dans les analyses par bac en raison des contraintes statistiques.
• Région de Signal (SR) : Lors de l'extrapolation vers la SR ($m_T > 60$ GeV), la méthode basée sur le ML a fourni des prédictions nettement meilleures tant en forme qu'en normalisation par rapport à la méthode par bac. La méthode par bac a présenté des écarts plus importants et une erreur de modélisation systématique, particulièrement dans les distributions de $E^{miss}_T$ et $m_T$, en raison de son recours à un binning grossier et à un nombre limité de variables.
• Stabilité : L'approche ML a produit des distributions plus lisses avec des fluctuations statistiques réduites, particulièrement dans les régions avec peu de comptes d'événements ou des corrélations complexes.

Signification et Revendications
L'article affirme que la méthode de Facteur de Faux basée sur le ML représente une avancée significative dans l'estimation des fonds basés sur les données en haute énergie physique. En passant d'un binning discret et de faible dimension à une estimation de rapport de densité de haute dimension et continue, la méthode :

• Atténue les limitations communes telles que le biais de sélection du binning et les incertitudes d'extrapolation.
• Améliore la capacité à modéliser les corrélations complexes entre les variables.
• Accroît la sensibilité des recherches de signaux rares en fournissant des estimations de fond plus précises, réduisant ainsi le risque de signaux spécieux découlant d'une erreur de modélisation.

Les auteurs soulignent que bien que la méthode ait été démontrée sur une analyse simple du boson $W$, son cadre est intrinsèquement adaptable aux états finaux multi-leptons et à d'autres objets mal identifiés. Ils notent que les travaux futurs se concentreront sur l'intégration de l'estimation des incertitudes systématiques et l'application de la méthode à des analyses du LHC plus complexes recherchant une nouvelle physique. Le code de l'implémentation est rendu public.