Contrastive Learning for Interpretable Anomaly Detection at Collider Experiments
Het artikel introduceert ORCA, een tweestaps-framework dat supervised contrastief leren combineert met autoencoders om zowel de sensitiviteit als de interpreteerbaarheid te verbeteren bij de detectie van anomalieën in de deeltjesversneller door gebeurtenissen te mappen naar een embedding-ruimte waarin anomale monsters kwantitatief kunnen worden toegeschreven aan bekende fysische processen.