Neural Fake Factor Estimation Using Data-Based Inference

技术摘要：基于数据推断的神经伪因子估计

问题陈述
在高能物理（HEP）分析中，“伪”（fake）背景源于那些未能通过正式信号选择标准、但由于误重建或误识别粒子（如非本征轻子或被误认为轻子的强子喷注）而被接受的事件。传统上，这些背景使用数据驱动技术进行估计，其中最著名的是伪因子法（Fake Factor method）。该方法通过将伪轻子的贡献从一个运动学上相邻的、选择条件较宽松的选择区域（控制区，CR）外推到信号区（SR），并使用一个比例因子（即“伪因子”）来进行计算。

传统的实现方式依赖于分箱估计（binned estimation），即在低维空间（通常是横动量 $p_T$ 和伪快度 $\eta$）中，将伪因子计算为两个直方图（紧致选择与宽松选择）的比值。这种方法面临以下几个局限性：

1. 分箱伪影（Binning Artifacts）： 分箱的选择会显著影响结果；粗分箱会丢失运动学特征，而细分箱则会导致统计涨落、空分箱或出现负值。
2. 维度限制： 由于统计量有限，该方法通常受限于少数变量，无法捕捉与其他事件拓扑变量（如缺失横动量 $E^{miss}_T$ 或喷注多重度）的复杂相关性。
3. 外推不确定性： 由分箱引起的间断性以及无法对高维依赖关系进行建模，降低了将背景估计外推至信号区的准确性。

方法论
作者提出了一种新型的基于机器学习（ML）的伪因子法，用**神经密度比估计（neural density ratio estimation）取代了直方图法。这种被称为数据驱动推断（Data-Based Inference, DBI）**的方法，能够实现基于单事件的连续、无分箱伪因子函数估计。

该方法由两个主要步骤组成：

1. 减除步骤（真轻子移除）：
   由于伪因子必须仅由伪轻子导出，因此必须从紧致和宽松的两个数据样本中减去真（本征）轻子的贡献。作者训练了两个独立的二分类器，分别用于估计紧致区域和宽松区域中数据与蒙特卡洛（MC）模拟的比率（$r_{T,L} = N^{data}/N^{MC}$）。

   • 这些分类器旨在区分数据事件（标签 1）和 MC 事件（标签 0）。
   • 输出结果用于对数据事件（或 MC 事件）进行重加权，以获得“减去真轻子后”的密度。
   • 为了确保物理上的有效性（权重为正），对分类器的 Logit 输出应用了软绝对激活函数（soft absolute activation function），确保 $r > 1$ 且生成的权重保持为正。

2. 比例步骤（伪因子估计）：
   第三个二分类器被用于区分紧致（分子）和宽松（分母）的“减去真轻子后”样本。

   • 训练数据集由来自这两个区域的重加权事件组成。
   • 该分类器学习两个假设之间的似然比。
   • 最终，对于具有特征 $x$ 的事件，其伪因子 $F(x)$ 通过分类器输出的指数进行估计：$F(x) = \exp(q(x))$。
   • 这产生了一个依赖于高维特征空间（如 $p_T, \eta, E^{miss}_T, N_{jets}, m_T$）的连续函数。

模型架构与训练

• 架构： 作者使用了包含四个残差块（每个块包含两层 128 个神经元的单元）的预激活 ResNet（pre-activation ResNet）。该架构缓解了梯度消失问题，并允许比标准前馈网络训练更深的网络时更加稳定。
• 输入处理： 数值特征经过标准化处理，类别特征经过标签编码（label-encoded）并进行嵌入（embedding）。嵌入层将特征映射到高维空间，随后进行平均池化。
• 损失函数： 训练使用带有平方正则项的二元交叉熵，以防止密度爆炸。对于减除分类器，使用软绝对激活以确保非负输出；对于比例分类器，则使用线性激活。
• 训练： 模型使用 AdamW 优化器进行训练，并根据验证损失进行早停（early stopping）。

核心贡献

1. 连续、无分箱估计： 该方法提供了逐事件的伪因子，消除了直方图法固有的分箱伪影和间断性。
2. 高维灵活性： 通过利用神经网络，该方法可以同时整合多个相关的运动学变量，从而捕捉到传统分箱方法因“维度灾难”而无法处理的复杂依赖关系。
3. 改进的外推能力： 估计器的连续特性使得从控制区到信号区的外推更加平滑且稳定。
4. 验证框架： 作者利用 ATLAS Open Data 展示了一个稳健的两步验证程序（减除与比例），确保该方法能正确处理真轻子污染。

结果
该方法通过对 ATLAS Run 2 数据中 $W \to e\nu$ 事件的分析进行了验证。

• 控制区（CR）： ML 方法在控制区内与传统的分箱法表现出良好的一致性。虽然分箱法在统计量较高的低 $p_T$ 区域表现略好，但 ML 方法在 $E^{miss}_T$ 和 $m_T$ 等变量的建模上展现出了优越性，而这些变量由于统计约束很难纳入分箱分析中。
• 信号区（SR）： 当外推至信号区（$m_T > 60$ GeV）时，ML 方法在形状和归一化方面都比分箱法提供了显著更好的预测。分箱法表现出较大的偏差和系统性的建模失真，特别是在 $E^{miss}_T$ 和 $m_T$ 的分布上，这是由于其依赖粗分箱和有限变量引入所致。
• 稳定性： ML 方法产生了更平滑的分布，减少了统计涨落，尤其是在事件计数较低或相关性复杂的区域。

意义与主张
论文声称，基于机器学习的伪因子法代表了高能物理中数据驱动背景估计的一次重大进步。通过从离散的、低维的分箱转向连续的、高维的密度比估计，该方法：

• 缓解了常见的局限性，如分箱选择偏差和外推不确定性。
• 增强了建模变量间复杂相关性的能力。
• 提高了寻找稀有信号的灵敏度，通过提供更准确的背景估计，从而降低了由建模错误导致产生伪信号的风险。

作者强调，尽管该方法是在一个简单的 $W$ 玻色子分析中进行的演示，但其框架本质上可以适配于多轻子末态和其他误识别对象的分析。他们指出，未来的工作将侧重于整合系统不确定性估计，并将该方法应用于搜索新物理的更复杂的 LHC 分析中。该实现的源代码已公开。