Resumo Técnico: Definindo uma Resolução Mínima para Análises Não Agrupadas (Unbinned)

Declaração do Problema

As análises de colisores de alta energia (HEP) dependem cada vez mais de modelos de Aprendizado de Máquina (ML) para estimar processos de fundo em espaços de características de alta dimensão e não agrupados (unbinned). Embora essas técnicas aumentem o poder estatístico, elas introduzem uma vulnerabilidade crítica: a especificação incorreta do modelo de fundo (background model misspecification).

Quando um modelo de fundo baseado em dados ou simulação $p(x|\theta_b)$ não coincide perfeitamente com o verdadeiro fundo $p_{true}(x)$, isso pode levar a vieses sistemáticos. Especificamente, se o modelo subestimar a densidade de probabilidade em regiões onde o sinal e o fundo se sobrepõem (frequentemente devido a artefatos de treinamento ou vieses arquitetônicos que "derramam" densidade para as caudas), a razão de verossimilhança sinal-fundo é superestimada. Isso resulta em uma falsa superestimação da força do sinal ($\hat{\mu}_s$), podendo levar a falsas descobertas. Quantificar e corrigir esses vieses é difícil porque eles são frequentemente não gaussianos, difíceis de parametrizar e dependem da distribuição de treinamento específica do modelo de ML.

Metodologia: Verossimilhança de Resolução Mínima (MRL)

O artigo propõe o método da Verossimilhança de Resolução Mínima (MRL - Minimum Resolution Likelihood) como uma solução conservadora para mitigar a superestimação do sinal causada pela modelagem incorreta do fundo. A filosofia central é trocar incertezas sistemáticas por incertezas estatísticas ao definir uma Região Fiducial de Sinal (FSR - Fiducial Signal Region) que exclui regiões onde o modelo de fundo não é confiável.

A metodologia procede da seguinte forma:

1. Região de Calibração: É necessária uma região que contenha apenas fundo (ou uma distribuição mais próxima do verdadeiro fundo do que o modelo). Esta região é usada para validar o modelo de fundo.
2. Comparação de Volume de Verossimilhança: O método compara a distribuição cumulativa dos valores de verossimilhança do modelo de fundo, $L = p(x|\theta_b)$, entre:
   • Amostras geradas pelo modelo de fundo (Toys).
   • Amostras da Região de Calibração (representando o verdadeiro fundo).
3. Determinação de $L_{min}$: Um limiar crítico de verossimilhança, $L_{min}$, é definido como o valor onde a discrepância entre a função de sobrevivência prevista pelo modelo e a função de sobrevivência do verdadeiro fundo é máxima:
   $$L_{min} \equiv \arg \max_{L_c} | f(L_c | \theta_b) - f(L_c | true_b) |$$
   onde $f(L_c)$ é a fração de eventos com verossimilhança maior que $L_c$.
   • Interpretação: $L_{min}$ corresponde ao "ponto de cruzamento" onde o modelo de fundo transita de subestimar para superestimar a densidade de fundo. Eventos com verossimilhanças abaixo deste limiar são considerados não confiáveis.
4. Região Fiducial de Sinal (FSR): Eventos na Região de Sinal com $p(x|\theta_b) < L_{min}$ são descartados. A análise estatística é então realizada apenas nos eventos restantes.
5. Verossimilhança Modificada: A função de verossimilhança estendida é redefinida para incluir termos de eficiência ($\epsilon$) que contabilizam a fração de sinal e fundo retidos dentro da FSR. Essas eficiências são estimadas usando a Região de Calibração e simulações de brinquedo (toy simulations).

Principais Contribuições

• Definição de MRL: Uma prescrição formal para definir um corte baseado em dados ($L_{min}$) que isola a região onde o modelo de fundo é confiável, convertendo efetivamente vieses sistemáticos não quantificáveis em incertezas estatísticas devido à redução do tamanho da amostra.
• Justificativa Teórica: O artigo demonstra que $L_{min}$ corresponde matematicamente ao ponto de cruzamento entre regiões onde o modelo subestima e superestima o fundo, fornecendo um critério robusto de exclusão.
• Integração com Parâmetros de Nuisance: O arcabouço acomoda parâmetros de nuisance (ex: incertezas de forma) através de reponderação da verossimilhança, permitindo o perfilamento (profiling) mesmo após a aplicação do corte FSR.
• Utilidade Diagnóstica: O método serve como uma ferramenta diagnóstica para identificar quando o viés de um modelo é significativo o suficiente para invalidar uma análise, forçando uma estimativa conservadora (consistente com zero) em vez de uma descoberta enviesada.

Resultados

Os autores validam o método MRL usando dois exemplos de brinquedo (toy examples) e uma aplicação realista em buscas de di-Higgs usando a técnica HI-SIGMA.

Exemplos de Brinquedo (Toy Examples)

1. Caso Gaussiano 1D:
   • Quando o desvio padrão do modelo de fundo foi mal especificado, um ajuste padrão superestimou significativamente a força do sinal.
   • A aplicação do MRL reduziu esse viés, resultando em estimativas de força de sinal consistentes com o valor verdadeiro (ou zero para sinais pequenos), embora com aumento da incerteza devido à redução do número de eventos.
   • Testes de cobertura mostraram que, enquanto o ajuste enviesado falhou em cobrir o parâmetro verdadeiro, o ajuste corrigido pelo MRL restaurou a cobertura para sinais moderados a grandes, embora tenha permanecido conservador para sinais muito pequenos.
2. Caso Exponencial/Gaussiano 2D:
   • Em um cenário 2D mimetizando a cinemática de di-Higgs, o modelo enviesado também levou a uma superestimação significativa do sinal.
   • O MRL corrigiu com sucesso o viés em diferentes forças de sinal. No entanto, para cenários de sinal "Raro" (baixa estatística), o método tornou-se altamente conservador, resultando frequentemente em estimativas consistentes com zero e subcobertura, destacando o compromisso entre a remoção do viés e o poder estatístico.

Aplicação Realista: HI-SIGMA (Busca de Di-Higgs)

• O método foi aplicado a um conjunto de dados de di-Higgs ($hh \to b\bar{b}\gamma\gamma$) utilizando Fluxos de Normalização Condicionais (cNF) para estimativa de fundo.
• Sem Máscara (Without Masking): A aplicação inicial do MRL sem máscara de sideband resultou em um corte excessivamente conservador que removeu a maioria dos eventos de sinal, levando a grandes incertezas e perda de sensibilidade.
• Com Máscara (With Masking): Quando combinado com uma técnica de máscara de sideband (previamente demonstrada como melhoria para o HI-SIGMA), o MRL removeu efetivamente as regiões problemáticas de sideband. O ajuste resultante foi não enviesado (ou consistente com zero) com incertezas menores que um ajuste de apenas massa, embora maiores que o ajuste padrão do HI-SIGMA.
• Pseudo-experimentos: Em um conjunto limitado de pseudo-experimentos, o MRL consistentemente evitou falsas descobertas em regimes de baixo sinal, forçando a estimativa da força do sinal a ser consistente com zero quando o viés do fundo era severo demais para ser confiável.

Significância e Alegações

O artigo alega que o MRL oferece um "curativo" conservador para análises de alta dimensão e não agrupadas onde os modelos de fundo são imperfeitos. Sua principal significância reside em:

1. Mitigação de Viés: Previne o cenário perigoso de falsas descobertas de sinal causadas pela subestimação do modelo de fundo na região de sinal.
2. Compromisso de Incerteza: Ele explicitamente troca o viés sistemático do modelo por incerteza estatística (redução da estatística efetiva), um compromisso que os autores argumentam ser preferível a erros sistemáticos não quantificados.
3. Poder Diagnóstico: Fornece uma métrica quantitativa ($L_{min}$ e a fração de diferença associada) para avaliar a confiabilidade de um modelo de fundo antes de tirar conclusões físicas.

Os autores são modestos quanto ao escopo do método, observando que não é uma solução "definitiva". Eles reconhecem que, para forças de sinal muito baixas, o método pode ser excessivamente conservador, potencialmente mascarando sinais reais. Eles sugerem que trabalhos futuros poderiam explorar cortes mais suaves (máscaras) em vez de exclusões rígidas e realizar mais testes com estatísticas mais altas para refinar a definição de $L_{min}$. O método é vislumbrado como aplicável não apenas a fundos baseados em dados, mas também como um diagnóstico para Inferência Baseada em Simulação (SBI) e tarefas de Detecção de Anomalias.