Domain Adaptation against Background Sculpting in Anomaly Detection at the LHC

Resumo Técnico: Adaptação de Domínio contra Escultura de Fundo na Detecção de Anomalias no LHC

Definição do Problema
Nas buscas de ressonância por física Além do Modelo Padrão (BSM) no Grande Colisor de Hádrons (LHC), a detecção de anomalias (AD) fracamente supervisionada emergiu como uma ferramenta poderosa e agnóstica a modelos. Esses métodos tipicamente constroem um "score de anomalia" para distinguir potenciais eventos de sinal do fundo. No entanto, surge um desafio crítico quando o score de anomalia correlaciona-se com a massa ressonante ($m_{JJ}$). Essa correlação induz a "escultura de fundo" (background sculpting): quando eventos são selecionados com base no score de anomalia, a distribuição de fundo no espectro de massa ressonante adquire estruturas artificiais (picos ou vales) que mimetizam ou obscurecem sinais ressonantes genuínos. Isso complica as técnicas padrão de estimativa de fundo, que dependem do ajuste de distribuições de sideband suaves para prever o fundo na região de sinal. Soluções anteriores, como regressão de quantis ou limitação de correlações de características, foram propostas, mas um método robusto para decorrelacionar o score de anomalia da massa ressonante sem sacrificar a sensibilidade de detecção permanece como uma prioridade.

Metodologia
Os autores propõem uma solução inovadora usando Adaptação de Domínio por Retropropagação (DAB) [14] para mitigar a escultura de fundo. A ideia central é treinar o modelo de detecção de anomalias de modo que a representação de características aprendida seja discriminativa para a tarefa principal (identificar anomalias), mas invariante ao "domínio", definido aqui pela massa ressonante.

• Arquitetura: O classificador MLP (Perceptron Multicamadas) padrão é dividido em um "extrator de características" ($G_f$) e um "detector de anomalias" ($G_y$). Uma "rede de domínio" ($G_d$) separada é acoplada ao extrator de características via uma camada de reversão de gradiente.
• Função de Perda: A perda total é $L = L_y + \lambda \cdot L_d$, onde $L_y$ é a perda de detecção de anomalia e $L_d$ é a perda de domínio. A camada de reversão de gradiente garante que, enquanto $G_d$ minimiza $L_d$ (aprendendo a distinguir domínios), o extrator de características $G_f$ é atualizado para maximizar $L_d$ (impedindo que as características retenham informações de domínio).
• Tarefas de Domínio: Duas tarefas de domínio específicas são testadas usando dados de sideband (regiões fora da região de sinal):
  1. Classificação: Distinguir entre eventos das sidebands esquerda e direita. Como ambos são fundo puro, o único fator de distinção é sua massa; impedir essa classificação força a decorrelação da massa.
  2. Regressão: Predizer a massa ressonante diretamente a partir das características. Degradar essa predição reduz a informação de massa na representação.
• Métodos de Detecção de Anomalias: A abordagem DAB é aplicada a quatro métodos de AD fracamente supervisionados:
  1. Detector de Anomalia Idealizado (IAD): Utiliza um template de fundo idealizado de eventos de fundo puros da região de sinal.
  2. CATHODE: Utiliza um estimador de densidade condicional treinado em sidebands para gerar um template de fundo.
  3. CWoLa Hunting: Classifica eventos da região de sinal contra eventos de sideband sem um modelo de fundo explícito.
  4. LaCATHODE: Um método anterior projetado para mitigar a escultura ao realizar a classificação em um espaço latente decorrelacionado.

Configuração Experimental
O estudo utiliza o dataset LHC Olympics 2020 R&D, consistindo em eventos de fundo de jatos de QCD e eventos de sinal $W'$ ressonante ($m_{W'} = 3.5$ TeV). Dois conjuntos de características são avaliados:

• Baseline: Características com correlações fracas com $m_{JJ}$ (massas de jatos, diferenças de massa, subtjetividade).
• Baseline+$\Delta R$: Inclui a distância angular entre os jatos, introduzindo fortes correlações com $m_{JJ}$ para testar severamente os métodos.

O desempenho é avaliado usando:

• Severidade da Escultura: Medida por uma métrica de $\chi^2$/dof binstada comparando a distribuição de massa normalizada antes e depois da seleção. Valores próximos da unidade indicam ausência de escultura.
• Desempenho de Detecção de Anomalias: Medido pela Característica de Melhoria de Significância (SIC), $\epsilon_S / \sqrt{\epsilon_B}$.

Principais Resultados

1. Mitigação da Escultura: A adaptação de domínio reduz substancialmente a escultura de fundo em todos os métodos testados. Para os métodos IAD e CATHODE, a tarefa de domínio de classificação reduz o $\chi^2$/dof para valores próximos de umidade para ambos os conjuntos de características, removendo efetivamente estruturas artificiais enquanto preserva o desempenho de detecção de anomalias (SIC).
2. Recuperação de Sensibilidade em CWoLa: Para o CWoLa Hunting com as características fortemente correlacionadas do Baseline+$\Delta R$, o método padrão falha completamente (severa escultura e sensibilidade próxima de zero) porque o classificador aprende a distinguir regiões de sinal de sidebands com base na massa. A adaptação de domínio, particularmente a tarefa de regressão, recupera com sucesso a sensibilidade de detecção de anomalias e reduz significativamente a escultura, demonstrando a capacidade de restaurar o desempenho quando as suposições subjacentes são violadas.
3. Comparação com LaCATHODE: Embora o LaCATHODE reduza efetivamente a escultura, ele frequentemente resulta em uma leve redução na sensibilidade de detecção de anomalias em comparação com a configuração original do CATHODE. A abordagem DAB proposta mantém a sensibilidade mais próxima dos métodos originais enquanto alcança uma decorrelação comparável.
4. Comparação de Tarefas: A tarefa de domínio de classificação geralmente oferece o melhor compromisso entre redução de escultura e sensibilidade de sinal para IAD e CATHODE. A tarefa de regressão é mais eficaz para recuperar a sensibilidade no cenário desafiador de CWoLa Baseline+$\Delta R$, mas às vezes incorre em uma leve perda de sensibilidade para outros métodos.

Significância e Alegações
O artigo afirma que a adaptação de domínio fornece uma estratégia flexível e complementar às estratégias existentes como o LaCATHODE. Diferente do LaCATHODE, que requer uma construção específica de espaço latente, o DAB atua diretamente na representação de características aprendida e não está vinculado a um método específico de geração de template de fundo. Essa flexibilidade sugere que o DAB pode ser combinado com várias abordagens de template de fundo (por exemplo, TRANSIT, RADOT) e outras arquiteturas de redes neurais.

Os autores observam limitações práticas: o método requer o ajuste do hiperparâmetro $\lambda$ (peso da perda), que atualmente depende de modelos de sinal (um desafio para análises verdadeiramente agnósticas a modelos), e é restrito a modelos diferenciáveis (redes neurais), excluindo árvores de decisão impulsionadas (boosted decision trees). O estudo é limitado a um único benchmark de sinal e usa uma métrica de $\chi^2$ para escultura em vez de ajustes completos de sideband, mas os resultados demonstram que o DAB pode reduzir substancialmente a escultura de fundo enquanto preserva amplamente o desempenho de detecção de anomalias, potencialmente ampliando o alcance de características utilizáveis em buscas de ressonância.