Correcting Sensor-Induced Distribution Drift with Wasserstein Adversarial Learning

Technische Samenvatting: Correctie van Sensor-geïnduceerde Distributiedrift met Wasserstein Adversarial Learning

Probleemstelling
De integriteit van datagestuurde analyse in de hoge-energiefysica (HEP) is afhankelijk van de stabiliteit van sensorsystemen. Echter, sensorbeweging, omgevingsfactoren en langdurige materiaalveroudering introduceren systematische verstoringen die de detectorprestaties verslechteren. Hoewel er traditionele kalibratie- en uitlijningsprocedures bestaan, zijn deze vaak arbeidsintensief en vereisen ze expliciete gebeurtenis-niveau correspondenties of gelabelde degradatietargets, die in realistische scenario's vaak niet beschikbaar zijn. De kernuitdaging is het afleiden van fysiek interpreteerbare transformatieparameters (bijv. geometrische offsets of attenuatiecoëfficiënten) die een veranderde detectorresponsdistributie terugbrengen naar een nominale referentiedistributie, zonder te vertrouwen op gesuperviseerde targets of expliciete likelihood-modellen. Dit probleem wordt geframed als een distributieverschuivingsprobleem (of domeinverschuivingsprobleem) waarbij de data-genererende distributies verschillen tussen nominale en gedegradeerde condities.

Methodologie
De auteurs stellen een nieuw, ongesuperviseerd framework voor op basis van Wasserstein Generative Adversarial Networks (WGANs) om deze transformatieparameters te herstellen. In tegen tegenstelling tot standaard generatieve modellering, waarbij de generator nieuwe datapunten synthetiseert, herinterpreteert deze aanpak de generator als een deterministische, leerbare kalibratietransformatie.

• Architectuur: Het systeem bestaat uit twee hoofdcomponenten:
  1. De Generator ($T_\theta$): Een geparametriseerde transformatie die direct op de geobserveerde data wordt toegepast. De leerbare gewichten $\theta$ vertegenwoordigen de fysieke parameters die worden afgeleid (bijv. een ruimtelijke verschuiving $\Delta x$ voor tracking of cel-gewijze attenuatiecoëfficiënten $\alpha_i$ voor calorimetrie).
  2. De Critic ($C_\phi$): Een neuraal netwerk dat wordt beperkt tot 1-Lipschitz, getraind om de Wasserstein-1 afstand te schatten tussen de referentie (nominale) distributie en de getransformeerde (veranderde) distributie.
• Doelstelling: Het framework maakt gebruik van een minimax-optimalisatie. De critic wordt getraind om de geschatte Wasserstein-afstand tussen de referentiedata en de getransformeerde data te maximaliseren, terwijl de transformatieparameters $\theta$ worden bijgewerkt om deze afstand te minimaliseren. Door de getransformeerde distributie statistisch in lijn te brengen met de referentiedistributie, leert het model impliciet de fysieke parameters die verantwoordelijk zijn voor de verschuiving.
• Belangrijk onderscheid: Er wordt geen correspondentie op gebeurtenis-niveau tussen referentie- en veranderde samples verondersteld. De inferentie wordt volledig gedreven door populatie-niveau distributie-overeenstemming.

Experimentele Validatie
De methode werd gevalideerd in twee verschillende settings:

1. Tracker Toy Model: Een vereenvoudigde simulatie van een tracking-detector met drie lagen. Een bekende geometrische misalignement (een verschuiving $\Delta x_2$ in het tweede vlak) werd geïnjecteerd. Het framework slaagde erin de verschuivingsparameter te herstellen door de hit-coördinaatdistributies uit te lijnen. De studie toonde aan dat de methode accuraat blijft bij lage- tot matige ruisniveaus, maar verslechtert wanneer de meetruis de omvang van de geïnjecteerde verschuiving nadert, wat consistent is met het verlies van identificeerbare geometrische informatie.
2. Calorimeter Veroudering: Een hoog-granulaire Geant4-gesimuleerde calorimeter werd onderworpen aan cel-gewijze signaalattenuatie om stralingsschade te emuleren. De generator werd geconfigureerd als een leerbare 3D-tensor van kalibratiecoëfficiënten ($\alpha_i$) om cel-gewijze energieafzettingen te schalen.
   • Resultaten: De afgeleide verouderingscoëfficiënten vertoonden een sterke positieve correlatie met de grondwaarheid ($R^2 \approx 0,896$).
   • Prestaties: De voorgestelde methode bereikte een Root Mean Square Error (RMSE) van $0,0176$, wat aanzienlijk beter is dan een eenvoudige baseline die veroudering schatte op basis van enkel de ratio van gemiddelde celresponsen (RMSE $0,0562$).
   • Distributie-uitlijning: Het toepassen van de geleerde coëfficiënten op de beschadigde data herstelde succesvol de globale energie-som distributie zodat deze overeenkwam met de onbeschadigde referentie.
   • Ruisgevoeligheid: De studie bevestigde dat naarmate stochastische variaties tussen cellen (ruis) toenemen, de identificeerbaarheid van individuele parameters afneemt, omdat meerdere coëfficiënt-configuraties vergelijkbare geaggregeerde statistieken kunnen opleveren.

Kernbijdragen en Betekenis
Het artikel positioneert detector kalibratie en uitlijning binnen de bredere klasse van distributieverschuivingsproblemen. De primaire bijdragen zijn:

• Paradigmaverschuiving: Het herdefinieert de rol van de generator in adversarial learning van datasynthese naar parameterherstel, waarbij leerbare gewichten worden gebruikt om fysieke kalibratieconstanten te representeren.
• Ongesuperviseerde Inferentie: De methode maakt de herwinning van interpreteerbare fysieke parameters mogelijk zonder gelabelde degradatietargets of gebeurtenis-niveau matching, wat een belangrijke bottleneck in detectoroperaties aanpakt waar uitgebreide herkalibratie vaak onhaalbaar is.
• Datagestuurde Kalibratie: Het demonstreert dat adversarial distributie-matching kan dienen als een levensvatbaar, datagestuurd onderdeel van kalibratiestrategieën, met name in situaties waar directe labels voor degradatieparameters niet beschikbaar zijn.

Beperkingen en Reikwijdte
De auteurs hanteren een bescheiden houding ten aanzien van de capaciteiten van de methode. Ze merken op dat hoewel de aanpak effectief is in het herstellen van dominante systematische trends (bijv. globale verouderingstrends of geometrische verschuivingen), het beperkingen ondervindt bij het oplossen van fijnmazige, per cel optredende stochastische fluctuaties wanneer de kanaal-tot-kanaal ruis hoog is. Het artikel concludeert dat deze adversarial kalibratie moet worden beschouwd als een complementaire techniek om de afhankelijkheid van supervisie te verminderen, in plaats van een volledige vervanging van gevestigde workflows. Toekomstig werk suggereert de uitbreiding van het framework naar tijd-afhankelijke degradatie en hybride strategieën die externe referentiesignalen integreren.