Neural Fake Factor Estimation Using Data-Based Inference

Resumo Técnico: Estimativa Neural de Fator de Falsificação Usando Inferência Baseada em Dados

Definição do Problema
Em análises de física de altas energias (HEP), fundos "falsos" (fake backgrounds) surgem de eventos que falham nos critérios formais de seleção de sinal, mas são aceitos devido a partículas mal reconstruídas ou mal identificadas, como léptons não prontos ou jatos hadrônicos confundidos com léptons. Tradicionalmente, esses fundos são estimados usando técnicas baseadas em dados, mais notavelmente o método do Fator de Falsificação (Fake Factor method). Este método extrapola a contribuição de léptons falsos de uma região de seleção mais frouxa e cinematicamente adjacente (Região de Controle, CR) para a Região de Sinal (SR) usando um fator de escala (o "fator de falsificação").

A implementação convencional deste método baseia-se na estimativa por bins, onde o fator de falsificação é calculado como a razão de dois histogramas (seleções rigorosas vs. frouxas) em um espaço de baixa dimensionalidade (tipicamente momento transversal $p_T$ e pseudorapidez $\eta$). Esta abordagem enfrenta diversas limitações:

1. Artefatos de Binagem: A escolha da binagem impacta significativamente os resultados; bins grosseiros perdem características cinemáticas, enquanto bins finos sofrem com flutuações estatísticas, bins vazios ou valores negativos.
2. Limites de Dimensionalidade: Devido à estatística limitada, o método é tipicamente restrito a poucas variáveis, impedindo a captura de correlações complexas com outras variáveis de topologia de evento (ex: energia transversal ausente $E^{miss}_T$ ou multiplicidade de jatos).
3. Incerteza de Extrapolação: Descontinuidades causadas pela binagem e a incapacidade de modelar dependências de alta dimensionalidade degradam a precisão da extrapolação das estimativas de fundo para a região de sinal.

Metodologia
Os autores propõem um novo método de Fator de Falsificação baseado em Aprendizado de Máquina (ML) que substitui a histogramação pela estimativa de razão de densidade neural. Esta abordagem, denominada Inferência Baseada em Dados (DBI), estima uma função de fator de falsificação contínua e sem bins (unbinned) por evento.

O método é estruturado em duas etapas principais:

1. Etapa de Subtração (Remoção de Léptons Reais):
   Como o fator de falsificação deve ser derivado apenas de léptons falsos, a contribuição de léptons reais (prontos) deve ser subtraída de ambas as amostras de dados (tight e loose). Os autores treinam dois classificadores binários independentes para estimar a razão entre dados e simulação de Monte Carlo (MC) nas regiões rigorosa (tight) e frouxa (loose) separadamente ($r_{T,L} = N^{data}/N^{MC}$).

   • Estes classificadores são treinados para distinguir eventos de dados (rótulo 1) de eventos de MC (rótulo 0).
   • A saída é usada para reponderar eventos de dados (ou MC) para obter densidades "subtraídas de reais".
   • Para garantir a validade física (pesos positivos), uma função de ativação de valor absoluto suave (soft absolute activation function) é aplicada à saída logit do classificador, garantindo que a razão $r > 1$ e que os pesos resultantes permaneçam positivos.

2. Etapa de Razão (Estimativa do Fator de Falsificação):
   Um terceiro classificador binário é treinado para distinguir entre as amostras subtraídas de reais rigorosa (numerador) e frouxa (denominador).

   • O conjunto de treinamento consiste em eventos reponderados de ambas as regiões.
   • O classificador aprende a razão de verossimilhança entre as duas hipóteses.
   • O fator de falsificação final $F(x)$ para um evento com características $x$ é estimado como o exponencial da saída do classificador: $F(x) = \exp(q(x))$.
   • Isso gera uma função contínua dependente de um espaço de características de alta dimensão (ex: $p_T, \eta, E^{miss}_T, N_{jets}, m_T$).

Arquitetura do Modelo e Treinamento

• Arquitetura: Os autores utilizam uma ResNet de pré-ativação com quatro blocos residuais, cada um contendo duas camadas de 128 neurônios. Esta arquitetura mitiga o desaparecimento do gradiente (vanishing gradient) e permite o treinamento estável de redes mais profundas em comparação com redes feed-forward padrão.
• Processamento de Entrada: As características numéricas são padronizadas, e as características categóricas são codificadas por rótulo (label-encoded) e incorporadas (embedded). Uma camada de embedding mapeia as características para um espaço de maior dimensão, seguido de pooling médio.
• Função de Perda: O treinamento utiliza entropia cruzada binária com um termo de regularização ao quadrado para evitar densidades explosivas. Para os classificadores de subtração, uma ativação de valor absoluto suave garante saídas não negativas; para o classificador de razão, utiliza-se uma ativação linear.
• Treinamento: O modelo é treinado usando o otimizador AdamW com parada antecipada (early stopping) baseada na perda de validação.

Principais Contribuições

1. Estimativa Contínua e Sem Bins (Unbinned): O método fornece um fator de falsificação por evento, eliminando artefatos de binagem e descontinuidades inerentes aos métodos baseados em histogramas.
2. Flexibilidade de Alta Dimensionalidade: Ao aproveitar redes neurais, o método pode incorporar múltiplas variáveis cinemáticas correlacionadas simultaneamente, capturando dependências complexas que os métodos tradicionais por bins não conseguem devido à "maldição da dimensionalidade".
3. Melhoria na Extrapolação: A natureza contínua do estimador permite uma extrapolação mais suave e estável da região de controle para a região de sinal.
4. Estrutura de Validação: Os autores demonstram um procedimento de validação robusto de duas etapas (subtração e razão) usando dados abertos do ATLAS, garantindo que o método trate corretamente a contaminação por léptons reais.

Resultados
O método foi validado usando uma análise de eventos $W \to e\nu$ de dados do Run 2 do ATLAS.

• Região de Controle (CR): O método baseado em ML mostrou boa concordância com o método tradicional por bins na CR. Embora o método por bins tenha performado ligeiramente melhor em regiões de baixo $p_T$ com alta estatística, o método de ML demonstrou modelagem superior em variáveis como $E^{miss}_T$ e $m_T$, que são difíceis de incluir em análises por bins devido a restrições estatísticas.
• Região de Sinal (SR): Ao extrapolar para a SR ($m_T > 60$ GeV), o método baseado em ML forneceu previsões significativamente melhores tanto em forma quanto em normalização em comparação ao método por bins. O método por bins exibiu maiores discrepâncias e erros de modelagem sistemática, particularmente nas distribuições de $E^{miss}_T$ e $m_T$, devido à sua dependência de binagem grosseira e inclusão limitada de variáveis.
• Estabilidade: A abordagem de ML produziu distribuições mais suaves com redução de flutuações estatísticas, particularmente em regiões com menor contagem de eventos ou correlações complexas.

Significância e Alegações
O artigo afirma que o método de Fator de Falsificação baseado em ML representa um avanço significativo na estimativa de fundo baseada em dados para a física de altas energias. Ao passar de uma binagem discreta e de baixa dimensão para uma estimativa de razão de densidade contínua e de alta dimensão, o método:

• Mitiga limitações comuns, como o viés de seleção de binagem e incertezas de extrapolação.
• Melhora a capacidade de modelar correlações complexas entre variáveis.
• Aumenta a sensibilidade de buscas por sinais raros ao fornecer estimativas de fundo mais precisas, reduzendo assim o risco de sinais espúrios decorrentes de erro de modelagem.

Os autores enfatizam que, embora o método tenha sido demonstrado em uma análise simples de bóson $W$, sua estrutura é inerentemente adaptável a estados finais de múltiplos léptons e outros objetos mal identificados. Eles observam que trabalhos futuros focarão na integração da estimativa de incerteza sistemática e na aplicação do método a análises mais complexas do LHC em busca de nova física. O código para a implementação foi disponibilizado publicamente.