技術要約：非ビン化解析における最小解像度の定義

問題提起

高エネルギー物理学（HEP）の衝突型加速器解析では、高次元の非ビン化特徴空間において背景プロセスを推定するために、機械学習（ML）モデルへの依存度が高まっています。これらの手法は統計的威力を高める一方で、決定的な脆弱性を導入します。それが**背景モデルの誤指定（misspecification）**です。

データ駆動型またはシミュレーションベースの背景モデル $p(x|\theta_b)$ が真の背景 $p_{true}(x)$ と完全に一致しない場合、系統的なバイアスが生じる可能性があります。具体的には、信号と背景が重なる領域において、モデルが確率密度を過小評価した場合（訓練のアーティファクトやアーキテクチャのバイアスによって密度が「漏れ出している」場合など）、信号対背景の尤度比が過大評価されます。その結果、信号強度（$\hat{\mu}_s$）が偽に過大評価され、誤った発見につながる恐れがあります。これらのバイアスを定量化し補正することは困難です。なぜなら、それらは非ガウス的であり、パラメータ化が難しく、MLモデルの特定の訓練分布に依存するためです。

手法：最小解像度尤度（Minimum Resolution Likelihood: MRL）

本論文では、背景モデルの誤設定に起因する信号の過大評価を軽減するための保守的な解決策として、**最小解像度尤度（MRL）法を提案しています。その核心となる哲学は、背景モデルが信頼できない領域を除外するフィデューシャル信号領域（Fiducial Signal Region: FSR）**を定義することで、系統誤差を統計誤差へと置き換えることです。

手法のプロセスは以下の通りです：

1. 較正領域（Calibration Region）： 背景のみを含む領域（または、モデルよりも真の背景に近い分布を持つ領域）が必要です。この領域は、背景モデルを検証するために使用されます。
2. 尤度体積の比較： 手法は、背景モデルの尤度値 $L = p(x|\theta_b)$ の累積分布を、以下と比較します：
   • 背景モデルから生成されたサンプル（Toy）。
   • 較正領域からのサンプル（真の背景を代表するもの）。
3. $L_{min}$ の決定： モデルの予測生存関数と真の背景の生存関数の差が最大となる、臨界尤度閾値 $L_{min}$ を定義します：
   $$L_{min} \equiv \arg \max_{L_c} | f(L_c | \theta_b) - f(L_c | true_b) |$$
   ここで、$f(L_c)$ は尤度が $L_c$ より大きいイベントの割合です。
   • 解釈： $L_{min}$ は、背景モデルが背景密度の過小評価から過大評価へと移行する「交差点」に対応します。この閾値以下の尤度を持つイベントは、信頼できないとみなされます。
4. フィデューシャル信号領域（FSR）： 信号領域内のイベントのうち、$p(x|\theta_b) < L_{min}$ であるものは破棄されます。その後の統計解析は、残ったイベントのみに対して行われます。
5. 修正された尤度： 拡張された尤度関数は、FSR内に保持される信号および背景の割合（効率 $\epsilon$）を考慮するように再定義されます。これらの効率は、較正領域とトイ・シミュレーションを用いて推定されます。

主な貢献

• MRLの定義： 背景モデルが信頼できる領域を孤立させるための、データ駆動型のカット（$L_{min}$）を定義する正式な処方箋を提供しました。これは、定量化不可能な系統的バイアスを、サンプルサイズ減少による統計的不確実性へと効果的に変換します。
• 理論的正当化： $L_{min}$ が、背景の過小評価領域と過大評価領域の間の交差点に対応することを数学的に示し、排除のための堅牢な基準を提供しました。
• 剰余パラメータとの統合： このフレームワークは、尤度を再重み付けすることで剰余パラメータ（形状の不確かさなど）を許容し、FSRカット適用後もプロファイリングを可能にします。
• 診断的有用性： 本手法は、モデルのバイアスが解析を無効にするほど重大であるかどうかを特定するための診断ツールとして機能し、（信号の発見ではなく）保守的な推定（ゼロに近い値）を強制させます。

結果

著者らは、2つのトイ・エグザンプルと、HI-SIGMAを用いたディヒッグス探索への現実的な適用を用いてMRL法を検証しています。

トイ・エグザンプル

1. 1次元ガウス分布ケース：
   • 背景モデルの標準偏差が誤指定されていた場合、標準的なフィットは信号強度を大幅に過大評価しました。
   • MRLを適用することでバイアスが軽減され、信号強度の推定値は真の値（または小さな信号の場合はゼロ）と一致しました。ただし、イベント数の減少による不確実性の増大を伴います。
   • カバレッジ・テストの結果、バイアスのあるフィットは真のパラメータをカバーできませんでしたが、MRLによる補正後のフィットは、中程度から大きな信号に対してカバレッジを回復させました。ただし、非常に小さな信号に対しては保守的な結果となりました。
2. 2次元指数/ガウス分布ケース：
   • ディヒッグスの運動量特性を模した2次元シナリオにおいて、バイアスのあるモデルは再び顕著な信号の過大評価を招きました。
   • MRLは、異なる信号強度に対してバイアスを正常に補正しました。しかし、「希少な（Rare）」信号シナリオ（低統計量）においては、手法が非常に保守的になり、しばしばゼロと一致する推定値やアンダーカバレッジ（下振れ）を引き起こしました。これは、バイアス除去と統計的威力の間のトレードオフを浮き彫りにしています。

現実的な適用：HI-SIGMA（ディヒッグス探索）

• 背景推定に条件付き正規化フロー（cNF）を用いたディヒッグス・データセット（$hh \to b\bar{b}\gamma\gamma$）に本手法を適用しました。
• マスキングなしの場合： サイドバンド・マスキングなしでMRLを適用すると、ほとんどの信号イベントを除去してしまう過度に保守的なカットとなり、不確実性の増大と感度の喪失を招きました。
• マスキングありの場合： （以前にHI-SIGMAの改善効果が示されている）サイドバンド・マスキング技術と組み合わせた場合、MRLは問題のあるサイドバンド領域を効果的に除去しました。その結果、得られたフィットは、質量のみのフィットよりも不確実性は大きいものの、標準的なHI-SIGMAのフィットよりも小さい不確実性を持ちつつ、バイアスのない（あるいはゼロと一致する）結果となりました。
• 擬似実験： 限定的な擬似実験のセットにおいて、MRLは低信号領域での誤った発見を一貫して防ぎ、背景のバイアスが深刻すぎる場合には信号強度推定値をゼロと一致するように強制しました。

意義と主張

本論文は、MRLが、背景モデルが不完全である高次元の非ビン化解析に対する**保守的な「絆創膏（band-aid）」**であることを主張しています。その主な意義は以下の通りです：

1. バイアス緩和： 信号領域における背景モデルの過小評価によって引き起こされる、危険な偽の信号発見を防ぎます。
2. 不確実性のトレードオフ： 系統的なモデル・バイアスを、統計的な不確実性（有効統計量の減少）へと明示的に置き換えます。著者らは、このトレードオフは定量化できない系統誤差よりも好ましいと主張しています。
3. 診断能力： 物理的な結論を導き出す前に、背景モデルの信頼性を評価するための定量的指標（$L_{min}$ および関連する割合の差）を提供します。

著者らは、本手法の範囲について謙虚な姿勢を示しており、これが「万能の解決策」ではないことを認めています。非常に低い信号強度に対しては、手法が保守的になりすぎ、実際の信号を覆い隠してしまう可能性があると指摘しています。また、今後の課題として、ハードな排除（hard exclusion）ではなく、よりソフトなカット（マスキング）の検討や、$L_{min}$ の定義を精緻化するための高統計量を用いたさらなる検証を挙げています。本手法は、データ駆動型の背景だけでなく、シミュレーションベース推論（SBI）や異常検知タスクの診断にも適用可能であると考えています。