Neural Fake Factor Estimation Using Data-Based Inference

Sintesi Tecnica: Stima del Fattore di Falso mediante Inferenza Basata sui Dati con Reti Neurali

Problematica
Nelle analisi di fisica delle alte energie (HEP), i background "falsi" derivano da eventi che non superano i criteri formali di selezione del segnale ma vengono accettati a causa di particelle ricostruite o identificate erroneamente, come leptoni non prompt o jet adronici scambiati per leptoni. Tradizionalmente, questi background vengono stimati utilizzando tecniche basate sui dati, in particolare il metodo del Fattore di Falso (Fake Factor method). Questo metodo estrapola il contributo dei leptoni falsi da una regione di selezione più larga e cinematicamente adiacente (Regione di Controllo, CR) alla Regione di Segnale (SR) utilizzando un fattore di scala (il "fattore di falso").

L'implementazione convenzionale di questo metodo si basa sulla stima a bin (binned estimation), dove il fattore di falso viene calcolato come il rapporto tra due istogrammi (selezioni tight vs loose) in uno spazio a bassa dimensionalità (tipicamente impulso trasverso $p_T$ e pseudorapidità $\eta$). Questo approccio presenta diverse limitazioni:

1. Artefatti di Binning: La scelta del binning influenza significativamente i risultati; i bin grossolani perdono caratteristiche cinematiche, mentre i bin fini soffrono di fluttuazioni statistiche, bin vuoti o valori negativi.
2. Limiti di Dimensionalità: A causa della statistica limitata, il metodo è tipicamente ristretto a poche variabili, impedendo di catturare complesse correlazioni con altre variabili della topologia dell'evento (ad esempio, energia trasversa mancante $E^{miss}_T$ o molteplicità di jet).
3. Incertezza di Estrapolazione: Le discontinuità causate dal binning e l'incapacità di modellare dipendenze ad alta dimensionalità degradano l'accuratezza dell'estrapolazione delle stime del background nella regione di segnale.

Metodologia
Gli autori propongono un nuovo metodo del Fattore di Falso basato sul Machine Learning (ML) che sostituisce l'istogrammazione con la stima del rapporto di densità neurale. Questo approccio, denominato Inferenza Basata sui Dati (DBI), stima una funzione del fattore di falso continua e non binata su base per evento.

Il metodo è strutturato in due fasi principali:

1. Fase di Sottrazione (Rimozione Leptoni Reali):
   Poiché il fattore di falso deve essere derivato esclusivamente dai leptoni falsi, il contributo dei leptoni reali (prompt) deve essere sottratto sia dai campioni di dati "tight" che da quelli "loose". Gli autori addestrano due classificatori binari indipendenti per stimare il rapporto tra dati e simulazione Monte Carlo (MC) nelle regioni tight e loose separatamente ($r_{T,L} = N^{data}/N^{MC}$).

   • Questi classificatori sono addestrati per distinguere gli eventi di dati (etichetta 1) dagli eventi MC (etichetta 0).
   • L'output viene utilizzato per pesare gli eventi di dati (o MC) al fine di ottenere densità "con sottrazione del reale".
   • Per garantire la validità fisica (pesi positivi), viene applicata una funzione di attivazione assoluta soft all'output logit del classificatore, assicurando che il rapporto $r > 1$ e che i pesi risultanti rimangano positivi.

2. Fase di Rapporto (Stima del Fattore di Falso):
   Un terzo classificatore binario viene addestrato per distinguere tra i campioni "tight" (numeratore) e "loose" (denominatore) con sottrazione del reale.

   • Il dataset di addestramento consiste in eventi pesati da entrambe le regioni.
   • Il classificatore apprende il rapporto di verosimiglianza tra le due ipotesi.
   • Il fattore di falso finale $F(x)$ per un evento con caratteristiche $x$ è stimato come l'esponenziale dell'output del classificatore: $F(x) = \exp(q(x))$.
   • Ciò produce una funzione continua dipendente da uno spazio di caratteristiche ad alta dimensionalità (ad esempio, $p_T, \eta, E^{miss}_T, N_{jets}, m_T$).

Architettura del Modello e Addestramento

• Architettura: Gli autori utilizzano una ResNet pre-attivazione con quattro blocchi residui, ciascuno contenente due strati da 128 neuroni. Questa architettura mitiga il problema della scomparsa del gradiente (vanishing gradient) e consente un addestramento stabile di reti più profonde rispetto alle reti feed-forward standard.
• Elaborazione Input: Le caratteristiche numeriche sono standardizzate, mentre le caratteristiche categoriche sono codificate tramite label-encoding ed embeddizzate. Uno strato di embedding mappa le caratteristiche in uno spazio ad alta dimensionalità, seguito da un pooling medio.
• Funzione di Perdita (Loss Function): L'addestramento utilizza la cross-entropia binaria con un termine di regolarizzazione al quadrato per prevenire densità esplosive. Per i classificatori di sottrazione, un'attivazione assoluta soft assicura output non negativi; per il classificatore di rapporto, viene utilizzata un'attivazione lineare.
• Addestramento: Il modello è addestrato con l'ottimizzatore AdamW con early stopping basato sulla perdita di validazione.

Contributi Chiave

1. Stima Continua e Non Binata: Il metodo fornisce un fattore di falso per singolo evento, eliminando gli artefatti di binning e le discontinuità intrinseche ai metodi basati su istogrammi.
2. Flessibilità ad Alta Dimensionalità: Sfruttando le reti neurali, il metodo può incorporare simultaneamente molteplici variabili cinematiche correlate, catturando dipendenze complesse che i metodi tradizionali a bin non possono gestire a causa della "maledizione della dimensionalità".
3. Migliore Estrapolazione: La natura continua dello stimatore consente un'estrapolazione più fluida e stabile dalla regione di controllo alla regione di segnale.
4. Framework di Validazione: Gli autori dimostrano un robusto procedimento di validazione a due fasi (sottrazione e rapporto) utilizzando i dati aperti di ATLAS, garantendo che il metodo gestisca correttamente la contaminazione da leptoni reali.

Risultati
Il metodo è stato validato utilizzando un'analisi di eventi $W \to e\nu$ dai dati ATLAS Run 2.

• Regione di Controllo (CR): Il metodo basato su ML ha mostrato un buon accordo con il metodo tradizionale a bin nella CR. Sebbene il metodo a bin sia risultato leggermente migliore nelle regioni a basso $p_T$ con alta statistica, il metodo ML ha dimostrato una modellazione superiore in variabili come $E^{miss}_T$ e $m_T$, che sono difficili da includere nelle analisi a bin a causa dei vincoli statistici.
• Regione di Segnale (SR): Quando estrapolato alla SR ($m_T > 60$ GeV), il metodo basato su ML ha fornito previsioni significativamente migliori sia nella forma che nella normalizzazione rispetto al metodo a bin. Il metodo a bin ha mostrato discrepanze maggiori e una modellazione sistematica errata, particolarmente nelle distribuzioni di $E^{miss}_T$ e $m_T$, a causa della dipendenza da un binning grossolano e da un numero limitato di variabili.
• Stabilità: L'approccio ML ha prodotto distribuzioni più fluide con ridotte fluttuazioni statistiche, specialmente in regioni con un numero inferiore di eventi o correlazioni complesse.

Significatività e Rivendicazioni
L'articolo sostiene che il metodo del Fattore di Falso basato su ML rappresenti un avanzamento significativo nella stima del background basata sui dati nella fisica delle alte energie. Passando da un binning discreto e a bassa dimensionalità a una stima del rapporto di densità continua e ad alta dimensionalità, il metodo:

• Mitiga le comuni limitazioni come il bias di selezione del binning e le incertezze di estrapolazione.
• Migliora la capacità di modellare complesse correlazioni tra variabili.
• Aumenta la sensibilità nelle ricerche di segnali rari fornendo stime del background più accurate, riducendo così il rischio di segnali spuri derivanti da errori di modellazione.

Gli autori sottolineano che, sebbene il metodo sia stato dimostrato su un'analisi semplice del bosone $W$, il suo framework è intrinsecamente adattabile a stati finali con leptoni multipli e altri oggetti misidentificati. Notano inoltre che il lavoro futuro si concentrerà sull'integrazione della stima dell'incertezza sistematica e sull'applicazione del metodo ad analisi più complesse dell'LHC alla ricerca di nuova fisica. Il codice per l'implementazione è reso pubblicamente disponibile.