Gaussian Process Eigenmodes for Statistical and Systematic Uncertainties in Template Fits

Ce papier propose de remplacer les facteurs Barlow-Beeston par bin et les modificateurs d'interpolation traditionnels par une base unifiée d'éigenmodes dérivée des posteriors de processus de Cox log-Gaussiens pour modéliser efficacement les incertitudes statistiques et systématiques dans les ajustements de templates au LHC, réduisant ainsi la dimensionalité tout en préservant ou en bornant la variance originale.

L'essentiel

Imaginez que vous essayez de trouver un petit diamant rare (une nouvelle particule) caché au sein d'un immense tas de sable bruyant (données de fond) dans un collisionneur de particules géant. Pour ce faire, les physiciens utilisent un « modèle » — une carte de l'aspect que le tas de sable devrait avoir s'il n'y avait pas de diamant. Ils comparent leurs observations réelles à cette carte. Si le tas réel présente une bosse étrange que la carte ne prédit pas, cela pourrait être le diamant.

Le problème est que la création de cette carte est délicate. La carte est construite à partir de simulations informatiques (Monte Carlo), qui sont comme la prise d'un nombre limité de photos du tas de sable. Si vous n'avez pas assez de photos, la carte devient granuleuse et remplie de « statique » (bruit statistique). Si vous essayez de rendre la carte trop détaillée pour voir le diamant clairement, la statique devient si forte que vous ne pouvez plus faire confiance à la carte du tout.

Cet article propose une nouvelle façon de construire cette carte en utilisant des Processus Gaussiens (GP), ce qui est une manière mathématique sophistiquée de dire « devinette intelligente et lisse ».

Voici la décomposition des idées de l'article en utilisant des analogies simples :

1. L'Ancienne Méthode : La Carte « Pixélisée »

Traditionnellement, les physiciens construisent leur carte en divisant les données en de minuscules boîtes (intervalles) et en comptant le sable dans chaque boîte.

• Le Problème : Si vous avez un nombre limité de photos de simulation, certaines boîtes seront vides ou contiendront très peu de grains. Pour gérer l'incertitude de ces boîtes vides, l'ancienne méthode ajoute un « facteur de flottement » (un paramètre de nuisance) à chaque boîte individuelle.
• La Conséquence : Si vous avez une carte 3D avec des millions de boîtes, vous vous retrouvez avec des millions de facteurs de flottement. C'est comme essayer de piloter un navire en ajustant un gouvernail séparé pour chaque planche de bois. C'est lourd sur le plan computationnel, et lorsque les données sont rares, la carte devient si instable qu'elle pourrait cacher le diamant ou en créer de faux.

2. La Nouvelle Méthode : La Carte « Rivière Lisse »

Les auteurs suggèrent de remplacer les boîtes pixélisées par une rivière lisse et fluide (une fonction mathématique). Au lieu de compter les grains dans des boîtes, ils utilisent un Processus Gaussien pour tracer une courbe lisse qui s'adapte aux données du sable.

• La Magie : Parce que la courbe est lisse, elle « sait » que si une partie de la rivière est haute, les voisines sont probablement hautes aussi. Elle puise sa force de ses voisins.
• Le Résultat : Même avec très peu de photos (faibles statistiques), la carte reste lisse et fiable. Elle ne devient pas granuleuse. L'article prouve mathématiquement que cette carte lisse est toujours plus précise (a moins d'incertitude) que l'ancienne carte pixélisée, jamais moins.

3. L'Astuce « Eigenmode » : Compresser le Bruit

L'article aborde également les « incertitudes systématiques » — ce sont comme des défauts connus de l'objectif de l'appareil photo (par exemple, l'objectif pourrait être légèrement flou ou décalé).

• L'Ancienne Méthode : Vous ajoutez un bouton séparé pour chaque façon possible dont l'objectif pourrait être erroné, pour chaque boîte individuelle.
• La Nouvelle Méthode : Les auteurs utilisent une technique appelée décomposition en modes propres. Imaginez que la carte possède quelques « formes fondamentales » (comme une vague, une colline ou un creux) qui représentent les façons les plus courantes dont les données peuvent osciller en raison du bruit ou des défauts de l'objectif.
• L'Avantage : Au lieu d'ajuster des millions de boutons, vous n'avez besoin d'ajuster qu'une poignée de ces boutons de « forme fondamentale ». C'est comme compresser un énorme fichier vidéo haute définition en un petit MP3 ; vous conservez les informations les plus importantes (la forme du signal) et vous éliminez le bruit redondant. Cela rend les mathématiques beaucoup plus rapides et plus faciles à résoudre.

4. Le Compromis : « Deux Étapes » contre « Un Seul Passage »

L'article est honnête concernant une limitation.

• L'Ancienne Méthode (Barlow-Beeston) : C'est comme un « profil conjoint ». Elle examine les données et la carte simultanément, ajustant les flottements de la carte en temps réel pendant la recherche du diamant. Elle est mathématiquement parfaite pour trouver le diamant lorsque les données sont rares.
• La Nouvelle Méthode (Mode propre GP) : C'est un processus en « deux étapes ». D'abord, elle construit la carte lisse à partir de la simulation. Ensuite, elle utilise cette carte fixe pour trouver le diamant.
• L'Inconvénient : Parce que la carte est fixe dans la première étape, elle ne peut pas s'adapter parfaitement au bruit spécifique des données finales. L'article montre que si vous avez très peu de données (photos rares), l'ancienne méthode est légèrement meilleure pour trouver le diamant car elle s'adapte mieux. Cependant, si vous avez beaucoup de données (ce qui est courant dans les expériences modernes), la différence est minime, et la rapidité et la simplicité de la nouvelle méthode l'emportent.

Résumé des Affirmations de l'Article

• Ce qu'ils ont fait : Ils ont remplacé les cartes d'histogrammes « pixélisées » standard par des cartes lisses de « Processus Gaussiens » et compressé l'incertitude en quelques « modes propres » (formes fondamentales).
• Ce qu'ils ont prouvé :
  1. Les nouvelles cartes lisses sont mathématiquement garanties d'être plus précises que les anciennes cartes pixélisées lorsque les données sont rares.
  2. La nouvelle méthode peut réduire le nombre de « boutons de flottement » (paramètres) de milliers à quelques dizaines seulement, rendant possibles des analyses 3D complexes.
  3. L'ancienne méthode reste la « référence » pour l'efficacité statistique pure lorsque les données sont extrêmement rares, mais la nouvelle méthode est pratiquement supérieure pour les expériences modernes et complexes où les erreurs systématiques (comme les défauts de lentille) dominent.
• L'Outil : Ils ont intégré cela dans un package logiciel gratuit appelé Histimator afin que d'autres physiciens puissent l'utiliser immédiatement.

En bref, l'article offre un moyen de transformer une carte granuleuse, instable et lourde sur le plan computationnel en une carte lisse, stable et efficace, permettant aux physiciens de rechercher de nouvelles particules dans des dimensions supérieures sans se perdre dans les mathématiques.

Résumé technique

Résumé technique : Modes propres des processus gaussiens pour les incertitudes statistiques et systématiques dans les ajustements de modèles

Énoncé du problème
L'inférence statistique au Grand collisionneur de hadrons (LHC) repose sur le cadre HistFactory, qui utilise des histogrammes de modèles pour représenter les distributions observables. Les incertitudes sur ces modèles sont traditionnellement gérées via deux mécanismes : des facteurs gamma de Barlow–Beeston (BB) par bin pour les erreurs statistiques des échantillons de Monte Carlo (MC), et des modificateurs basés sur l'interpolation (par exemple, histosys) pour les variations systématiques de forme. Ces deux mécanismes évoluent linéairement avec le nombre de bins. Cette échelle devient prohibitive, tant sur le plan computationnel que conceptuel, pour les analyses multidimensionnelles ou lorsque les échantillons MC sont limités. De plus, l'approche BB traite les bins comme des comptes de Poisson indépendants, ignorant la régularité physique des distributions sous-jacentes. Cette indépendance entraîne une prolifération de paramètres de nuisance faiblement contraints, provoquant une sous-coverage systématique des vraisemblances profilées lorsque les statistiques MC sont faibles.

Méthodologie
Les auteurs proposent de remplacer les histogrammes de modèles discrets par des représentations fonctionnelles lisses dérivées des posteriors de Processus de Cox Log-Gaussien (LGCP) ajustés aux données MC. La méthodologie se déroule en trois étapes :

1. Modélisation LGCP : Les comptes MC sont modélisés comme un processus de Poisson où le log-intensité est tiré d'un processus gaussien (GP). Le mode du posterior fournit un modèle lisse, tandis que la covariance du posterior encode l'incertitude statistique corrélée entre les bins.
2. Intégration systématique : Les variations systématiques de forme sont incorporées en générant des ajustements GP pour les points de variation à $\pm 1\sigma$. La différence des log-taux définit une direction systématique, qui est ajoutée à la covariance statistique comme une mise à jour de rang 1.
3. Décomposition en modes propres : La matrice de covariance combinée (statistique + systématique) est décomposée en valeurs propres. Les modes propres résultants forment une base compacte. La troncature de cette base aux $k$ modes principaux remplace l'ensemble complet des facteurs gamma par bin et des paramètres d'interpolation par un petit nombre d'amplitudes contraintes par une loi gaussienne ($z_i$).

Les auteurs démontrent que cette construction contient le formalisme de Barlow–Beeston comme cas limite (lorsque l'échelle de longueur du GP $\ell \to 0$) et que la variance du posterior GP est strictement bornée supérieurement par la variance BB à chaque bin. De plus, dans la limite d'une incertitude statistique négligeable, le cadre retrouve l'interpolation InterpCode 4 de HistFactory.

Contributions clés

• Base d'incertitude unifiée : L'article introduit une base unique de modes propres qui encode simultanément les incertitudes statistiques et systématiques des modèles, réduisant significativement la dimensionnalité de l'espace des paramètres par rapport à l'approche par histogrammes.
• Bornes théoriques : Il est démontré que la variance du posterior GP est bornée par la variance BB, garantissant que la méthode ne sous-estime pas l'incertitude. Le cadre est montré pour retrouver à la fois BB et l'interpolation standard de HistFactory comme cas limites.
• Implémentation : La méthode est implémentée dans le package Python open-source Histimator, fournissant une API impérative pour construire ces vraisemblances sans dépendance au framework ROOT.
• Outils de diagnostic : L'article démontre comment projeter les écarts des modes propres vers le niveau des bins, permettant aux analystes d'interpréter les résultats à l'aide d'outils de diagnostic par bin familiers.

Résultats
La méthode a été validée contre deux expériences de référence :

1. Expérience A (Limitée statistiquement) : Une recherche de résonance rare avec des statistiques MC limitées ($N_{MC}$ descendant jusqu'à 100 événements).

   • Dilemme de binning : Le modèle GP a résolu la tension entre un binning grossier (qui étale les signaux) et un binning fin (qui produit des modèles bruyants). Il a maintenu une quantification stable de l'incertitude (8–15 % d'incertitude posterior) sur tout le spectre, même lorsque les bins d'histogramme contenaient moins de 5 événements.
   • Couverture : Alors que la méthode BB profilée conjointe a atteint une meilleure efficacité asymptotique dans le régime de faibles statistiques (en s'adaptant aux données), la méthode GP a fourni des estimations continues et utilisables là où les histogrammes échouaient (bins vides). La méthode GP a exhibé un compromis biais-variance caractéristique des estimateurs de type "plug-in" en deux étapes.

2. Expérience B (Limitée systématiquement) : Une mesure de précision de section efficace avec plusieurs fonds et quatre sources systématiques.

   • Compression : La covariance combinée ne nécessitait que 6–11 modes propres pour capturer 95–99 % de la variance, contre 44 paramètres de nuisance (40 gammas + 4 systématiques) dans l'approche par histogrammes. Cela représente un taux de compression d'environ 7:1.
   • Performance : La méthode des modes propres GP a atteint une linéarité, une largeur d'écart (0,96–0,99) et une couverture d'intervalle (67,7–70,5 % pour les intervalles à 68 %) équivalentes à l'approche par histogrammes standard.
   • Robustesse : La dimensionnalité réduite a conduit à une réduction de six fois des ajustements non convergents par rapport à la méthode BB.

Signification et revendications
L'article revendique que le cadre des modes propres offre une alternative fondée sur des principes aux modèles basés sur des histogrammes, en particulier dans les régimes dominés par des incertitudes systématiques ou des espaces de phase de haute dimension.

• Efficacité vs Robustesse : Les auteurs reconnaissent explicitement une limitation théorique : la méthode GP est un estimateur de type "plug-in" en deux étapes, tandis que Barlow–Beeston effectue un "profil conjoint" qui atteint la borne d'efficacité semi-paramétrique. Par conséquent, dans les régimes limités statistiquement et à canal unique (faible rapport de luminosité MC/données $\tau$), la méthode BB est structurellement supérieure pour l'extraction du signal. Cependant, dans les régimes limités systématiquement (fort $\tau$), la perte d'efficacité est négligeable (<9 % pour $\tau=10$), rendant la compression des paramètres et la stabilité de la méthode GP l'avantage opérationnel dominant.
• Évolutivité : La méthode évolue avec la dimensionnalité effective du noyau GP plutôt qu'avec le nombre de bins. Pour un modèle 3D avec $20^3$ bins, la méthode GP nécessite $\sim 30$ amplitudes contre 8 000 gammas BB.
• Effet "Look-Elsewhere" : Le fond GP lisse fournit une structure de covariance analytique pour le champ de statistique de test, permettant le calcul des facteurs d'essai "look-elsewhere" sans simulations Monte Carlo supplémentaires, une capacité absente dans l'approche par histogrammes.

Ce travail positionne la méthode des modes propres GP non pas comme un remplacement de l'approche par profil conjoint dans tous les scénarios, mais comme un outil supérieur pour gérer les incertitudes systématiques de haute dimension et stabiliser les ajustements dans les régimes limités par les données où les histogrammes traditionnels échouent.