使用树提升学习EFT似然
Learning the EFT likelihood with tree boosting
摘要：
我们开发了一个树提升算法的对撞机测量的多个威尔逊系数在有效场论描述粒子物理学的标准模型以外的现象。判别式的设计利用了模拟数据集的每事件信息，该模拟数据集对威尔逊系数的不同值的预测进行编码。这种"提升信息树“算法在威尔逊系数的展开中逐阶提供了接近最佳的鉴别能力，并接近最佳似然比检验统计量。作为一个证明的原则，我们适用于不同类型的建模的$\textrm{pp}\rightarrow\textrm{Zh}$过程中的算法。
英文摘要：
We develop a tree boosting algorithm for collider measurements of multiple Wilson coefficients in effective field theories describing phenomena beyond the standard model of particle physics. The design of the discriminant exploits per-event information of the simulated data sets that encodes the predictions for different values of the Wilson coefficients. This ``Boosted Information Tree'' algorithm provides nearly optimal discrimination power order-by-order in the expansion in the Wilson coefficients and approaches the optimal likelihood ratio test statistic. As a proof-of-principle, we apply the algorithm to the $\textrm{pp}\rightarrow\textrm{Zh}$ process for different types of modeling.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
