Toward the estimation of background fluctuations under newly-observed signals in particle physics
当在粒子物理学中估计与信号过程相关联的事件的数量时,通常的做法是将背景分布从控制区域外推到预定义的信号窗口。这允许准确估计信号下的背景事件的预期或平均数量。然而,一般来说,由于数据的波动,背景事件的实际数量可能偏离平均值。当与在观测新粒子之后的数据分析的早期阶段中的信号事件的数量以及在稀有衰变通道的分析中相比时,这样的差异可以是相当大的。我们报告的数据驱动的技术,旨在估计实际的,而不是预期的,在一个预定义的信号窗口的背景事件的数量的发展。我们讨论了玩具蒙特卡洛数据的结果,并提供了一个初步的估计系统的不确定性。
2014-12-16 physics.data-an
Incorporation of the statistical uncertainty in the background estimate into the upper limit on the signal
我们提出了一个程序,用于计算上限的信号事件的数量,其中包括泊松不确定性的背景下,估计从控制区域的一个或两个维度。对于少量的信号事件,得到的上限是更严格的比提取不包括泊松不确定性。这种趋势持续到背景事件的数量与信号相当。当背景事件的数量与信号相当或大于信号时,所获得的上限比不包括泊松不确定性提取的上限不那么严格。因此,将泊松不确定性纳入上限是很重要的;否则所获得的上限可能过于严格。
1997-07-25 hep-ex physics.data-an
Non-resonant Anomaly Detection with Background Extrapolation
本文将共振物理中的弱监督异常检测策略扩展到非共振新物理场景,通过背景重加权、生成或形变并结合控制区域外推,在信号区域训练分类器自动识别异常事件,并以半可见喷注信号验证了方法的有效性。
2024-05-07 hep-ex hep-ph physics.data-an
Reference analysis of the signal + background model in counting experiments
代表两个独立的泊松过程,标记为“信号”和“背景”,并在同一时间的计数事件的总数都作出贡献的模型,被认为是从贝叶斯的观点。这是一种广泛使用的模型,用于在存在某些背景源的情况下搜索稀有或奇异事件,例如在高能物理实验中进行的搜索。在假定背景产额具有一定先验知识的情况下,得到了信号的参考先验,并研究了其性质。最后,充分的解决方案,边际参考后验的性质,说明了几个例子。
2011-12-14 hep-ex physics.data-an
sFit: a method for background subtraction in maximum likelihood fit
本文提出了一种在极大似然拟合中扣除背景的统计方法,而不依赖于任何单独的边带或模拟来进行背景建模。该方法称为sFit,是对sPlot技术的扩展,最初开发该技术是为了重建每个日期组件的真实分布。为sPlot技术定义的sWeights允许仅使用信号概率密度函数和信号区域中的事件来构造修改的似然函数。信号区域中的背景事件对似然函数的贡献在统计基础上抵消。最大化该似然函数导致信号概率密度函数中的拟合参数的无偏估计。
2009-05-06 physics.data-an
Detecting new signals under background mismodelling
对新天体物理现象的研究通常涉及几个非随机不确定性的来源,这可能导致高度误导的结果。其中,模型的不确定性所产生的背景错误建模可以显着妥协的灵敏度正在研究的实验。具体来说,过高估计信号区域的背景分布会增加错过新物理的机会。相反,低估信号区域之外的背景会导致人为增强的灵敏度和更高的声称错误发现的可能性。这项工作的目的是提供一个统一的统计策略来执行建模,估计,推理和信号表征背景下的错误建模。所提出的方法允许将(部分)科学知识的背景分布,并提供了一个数据更新的版本,它在一个纯粹的非参数的方式,而不需要规范的参数先验分布。应用程序的背景下,暗物质搜索和无线电调查显示,本文中提出的工具可以用来将非随机的不确定性,由于仪器噪声,并克服违反经典的分布假设在堆叠实验。
2019-12-03 astro-ph.HE astro-ph.IM hep-ph
Bayesian Learning of Neural Networks for Signal/Background Discrimination in Particle Physics
在粒子物理研究中,神经网络被广泛用于分类问题。由于神经网络的训练可以被看作是一个推理问题,神经网络的贝叶斯学习可以提供比传统学习方法更优化和鲁棒的结果。我们已经研究了使用贝叶斯神经网络的信号/背景歧视在Tevatron的第二代leptoquark搜索,作为一个例子。我们提出了一个比较的结果,从传统的训练前馈神经网络和贝叶斯方法训练的网络。
2007-07-06 physics.data-an
Limits, discovery and cut optimization for a Poisson process with uncertainty in background and signal efficiency: TRolke 2.0
编写了一个C++类,用于使用轮廓似然方法计算频率置信区间。实现了二项式、高斯、泊松和二项式不确定性的七种组合。该软件包提供了计算上下限、灵敏度和相关属性的例程。它还支持假设检验,考虑到不确定性。它可以用于编译的C++代码,Python或通过ROOT分析框架交互式使用。
2010-01-13 hep-ex hep-ph physics.data-an
Frequentist Coverage Properties of Uncertainty Intervals for Weak Poisson Signals in the Presence of Background
我们构造了弱泊松信号在背景存在下的不确定区间。我们考虑的情况下,一个主要的实验产生的信号加背景的实现,和第二个实验产生的背景的实现。选择仅背景实验的数据采集时间T_bg和主实验的数据采集时间T,使得它们的比率从1变化到25。初步实验中背景计数的预期数量在0.2至2之间变化。我们构建90%和95%的置信区间的基础上传播的错误的方法,以及两个实现的内曼程序,其中接受区域的基础上构建的似然比标准,自动确定所得到的置信区间是单侧或双侧。第一个内曼程序(由于费尔德曼和费因斯)忽略了背景中的不确定性。在另一个Neyman过程中,我们考虑到背景中的不确定性与参数自助方法。我们还构造了最小长度的贝叶斯可信区间。对于每种方法,我们根据不确定性区间的下端点值测试信号的存在。当T_bg/T大于等于5,预期背景值小于等于2时,Feldman法优于其他方法。
2009-12-28 physics.data-an
Separating Signals from Non-Interfering Backgrounds using Probabilistic Event Weightings
在实验物理学中,一种常见的情况是,通过使用任何切割,都不能将信号从非干扰背景中分离出来。在本文中,我们描述了一个程序,用于确定,在一个事件的基础上,一个品质因数(Q因子),一个给定的事件起源于信号分布。然后,该Q因子可以在后续分析过程中用作事件权重,从而允许更直接地访问信号的真实频谱。
2008-04-21 hep-ex nucl-ex physics.data-an
Use of Machine Learning Technique to maximize the signal over background for $H \rightarrow ττ$
Physikalisches Institut, Universität Bonn(波恩大学物理研究所)
近年来,人工神经网络(ANN)在模式识别和机器学习方面赢得了许多比赛。人工神经网络已被应用于从语音识别到蛋白质二级结构预测、癌症分类和基因预测等问题。在这里,我们打算最大限度地找到希格斯玻色子衰变到两个$τ$轻子在伪数据集中使用机器学习技术来分类记录的事件作为信号或背景的机会。
2021-07-07 cs.LG physics.data-an
On a chi^2-function with previously estimated background
在许多现在和未来的科学实验中,如CERN的LHC,CLIC,ILC和许多其他实验中,都在努力寻找新的现象。这些新的信号通常是罕见的,经常被许多不同的背景事件所污染。从轮廓似然的概念出发,我们得到了可以称为轮廓$χ^2$ -函数的计数实验,没有背景参数进行拟合。信号和背景统计波动自动考虑,即使在某些箱子的内容是零。本文分析了在计数实验中,当信号和背景事件服从泊松统计时,拟合面元数据的剖面函数$χ^2$。背景事件被预先估计,或者通过蒙特卡罗事件、"空闲”运行事件或者任何其他合理的方式。本文所研究的方法只适用于背景和信号是完全独立的事件,即它们是非相干事件。剖面$χ^2$ -函数已经显示出具有快速收敛,具有更少的事件,如MC玩具测试中所示的计数实验的“真”值。即使在bin内容较低以及信号与背景比较小时,它也能正常工作。其他有趣的点也提出和讨论。其中之一是,即使在拟合过程中存在很少的信号事件时,也不需要以非常高的精度来估计背景参数。利用ATLAS/LHC实验数据讨论了希格斯玻色子发现的应用。
2020-06-10 hep-ex hep-ph nucl-ex
Compensator-Based Inference for Signal Detection Under Unknown Background
School of Statistics, University of Minnesota, Twin Cities(明尼苏达大学双城分校统计学院)
本文提出了一种新的信号检测方法,通过估计补偿器参数而非背景分布来简化推断过程,从而更有效地传播不确定性。
2026-05-19 astro-ph.HE astro-ph.IM physics.data-an
Improving Application of Bayesian Neural Networks to Discriminate Neutrino Events from Backgrounds in Reactor Neutrino Experiments
在反应堆中微子实验中,贝叶斯神经网络(BNN)在区分中微子事件和背景中的应用已在参考文献\cite{key-1}中描述。在本文中,BNN也被用于识别反应堆中微子实验中的中微子事件,但在本文中,PMT接收到的光电子数作为BNN的输入,而不是重建的事件的能量和位置。在信号区产生了玩具探测器蒙特卡罗模拟的中微子事件和三个主要背景的样本。与参考文献\cite{key-1}中的BNN方法相比,本文的BNN方法可以剔除更多的$^{8}$ He/ $^{9}$ Li背景和信号区的不相关背景,但本文的BNN方法可以识别出更多的信号区快中子背景事件。与文献\cite{key-1}中的BNN方法相比,本文中的BNN方法显著改善了不相关的背景信号比和$^{8}$ He/ $^{9}$ Li背景信号比。但在信号区的快中子本底信号比比略大于文献\cite{key-1}的值。
2009-01-12 hep-ex nucl-ex physics.data-an
Reference analysis of the signal + background model in counting experiments II. Approximate reference prior
被认为是一个模型的客观贝叶斯治疗代表两个独立的泊松过程,标记为“信号”和“背景”,都有助于添加计数事件的总数。它示出的参考先验的感兴趣的参数(信号强度)可以很好地近似广泛使用的(AB)平坦的先验只有当预期的背景是非常高的。另一方面,可以在背景参数空间的大部分上安全地使用非常简单的近似(完美先验背景知识的参考先验的限制形式)。所得的近似参考后验是伽马密度,其参数与观察到的计数相关。这种限制形式比用平坦先验获得的结果更简单,具有在所有情况下代表更接近参考后验的额外优点。因此,这种限制先验应被认为是比统一先验更好的默认先验或传统先验。在计算方面,它示出了一个2参数拟合函数是能够非常好地再现任何背景先验的参考先验。因此,它可以在需要评估参考先验非常大量的时间的应用中有用。[The发布版本JINST 9(2014)T10006在公式的标准化$N$中存在排印错误。(2.6)这里是固定的)。
2015-03-02 physics.data-an
Applying Bayesian Neural Networks to Separate Neutrino Events from Backgrounds in Reactor Neutrino Experiments
本文设计了一个玩具探测器来模拟反应堆中微子实验中的中心探测器。玩具探测器的蒙特卡罗模拟产生的中微子事件和三个主要背景的样本在信号区。将贝叶斯神经网络(BNN)应用于反应堆中微子实验中中微子事件与背景的分离。结果表明,BNN能识别信号区的大部分中微子事件和不相关背景事件,而BNN能识别信号区的部分快中子事件和$^{8}$ He/ $^{9}$ Li背景事件。然后,在信号区域的信噪比的BNN增强。随着训练样本中中微子率的增加,中微子分辨力也随之增加。然而,随着训练样本中背景率的降低,背景区分度降低。
2008-08-02 nucl-ex physics.comp-ph physics.data-an
The stochastic gravitational-wave background exists permanently and demonstrates time-domain asymmetry
通过分析Advanced LIGO和Virgo引力观测站的记录,我们发现了一种永久的时域不对称性,这种不对称性只存在于引力探测器的信号中。用不同的周期性信号、高斯和非高斯噪声进行的实验使人们有可能得出结论,引力探测器的噪声是一种不寻常的信号混合物。我们还开发了一个专门的皮尔逊相关分析仪来检测引力波(GW)事件。事实证明,LIGO和Virgo探测器的输出信号包含一个显着的(-6dB)分量,证明了已确认的解决GW事件的记录的属性。它使我们能够论证,引力背景在很大程度上是由于恒星质量合并的过程。由于特定的信号被探测器连续记录,我们可以认为亚千赫兹波段的引力背景场被发现了。我们的分析方法还允许我们估计重力背景分量对总信号能量的贡献。在它的帮助下,不仅可以提供引力扰动幅度的无线电频率估计,而且还可以获得GW背景天空图。
2022-12-12 gr-qc physics.data-an
Signal estimation in On/Off measurements including event-by-event variables
背景噪声中的信号估计是多学科中的一个常见问题。当背景本身未知时,根据背景对照样品进行“开/关”测量。在开/关测量信号估计的“频率论”和贝叶斯方法进行审查和比较,侧重于前者的弱点和后者的优点,正确地解决泊松性质的问题。在这项工作中,我们设计了一种新的重建方法,被称为BASIL(贝叶斯分析,包括单事件似然),用于估计基于贝叶斯形式主义的信号速率。它使用关于逐个事件的单个参数及其信号和背景总体分布的信息。从而根据事件是信号或背景事件的可能性对事件进行加权,并且可以在不执行固定基准切割的情况下实现背景抑制。在整个工作中,我们保持了一个通用的符号,允许一般地应用该方法,并使用实际数据和MAGIC望远镜的观测模拟提供性能测试,作为切伦科夫望远镜性能的演示。BASiL允许更精确地估计信号,避免由于信号提取削减而导致的曝光损失。我们希望它在类似情况下的适用性是直接的。
2021-05-03 astro-ph.IM physics.data-an
Random matrix approach in search for weak signals immersed in background noise
我们提出了新的,原始的和替代的方法来搜索编码在噪声数据中的信号。该方法是基于随机矩阵特征值谱的性质。首先,我们描述了一般的想法,并支持他们的基本周期信号沉浸在人工随机噪声的数值模拟结果。然后,主要的努力放在检查的强度的一种新的方法,在调查的数据内容,从真正的天体物理NAUTILUS探测器,寻找存在的引力波。在这个实验中,我们的方法发现了一些以前未知的数据聚合问题。我们还提供了新方法的结果,适用于整个地面探测器在未来的实验活动的响应信号,降低背景噪声水平。我们表明,我们的方法是什么使它在许多领域的进一步应用的积极预测良好的性能。
2011-07-14 astro-ph.IM physics.data-an
Objective Bayesian analysis of counting experiments with correlated sources of background
在粒子物理、天体物理以及其他领域的计数实验中,经常会遇到微弱信号的探测问题。许多问题可以归结为信号与背景相互独立且服从泊松分布的模型。通常几个背景贡献同时存在,可能相关。我们提供了分析解决方案的统计推断问题,估计信号中存在的多个背景,在客观贝叶斯统计的框架。该模型可以写成单一泊松分布与多项分布的乘积的形式。前者与事件总数有关,后者描述了来自每个单独来源的事件的比例。不同背景之间的相关性可以通过适当地选择先验信息而包含在推理问题中。
2017-01-19 physics.data-an
Study of background from accidental coincidence signals in the PandaX-II experiment
PandaX-II实验使用了一个580公斤的液体氙探测器来寻找暗物质粒子和目标氙原子之间的相互作用。孤立信号的偶然巧合导致了危险的背景,模仿了暗物质的特征。对PandaX-Ⅱ的偶然符合背景进行了详细的研究,包括孤立信号的可能来源、背景水平以及相应的背景抑制方法。采用提升决策树算法,将暗物质信号区域的偶然符合背景降低了70%,从而提高了PandaX-II探测器暗物质搜索的灵敏度。
2022-07-02 hep-ex physics.data-an physics.ins-det
Analysis of multichannel measurements of rare processes with uncertain expected background and acceptance
考虑了高能物理中的一个典型实验。实验的结果被假定为由具有对应的登记事件的数量的箱或通道组成的直方图。预期的背景和预期的信号形状或接受度在单独的辅助实验中测量,或者通过具有有限样本大小的蒙特卡罗方法计算,因此具有有限的精度。当由于辅助测量(或模拟)的波动或因为它真的为零而导致某些通道中的预期背景碰巧为零时,会出现特别复杂的情况。不同的统计方法给出了全信号率的不同置信区间以及信号+背景假设与纯背景假设的不同显著性。详细的分析和数值试验。
2016-12-31 hep-ex physics.data-an
SquidLab -- a user-friendly program for background subtraction and fitting of magnetization data
我们提出了一个开放源代码的程序免费下载用于学术使用,具有完整的用户友好的图形界面,用于执行灵活和强大的背景扣除和偶极子拟合的磁化数据。对于具有小磁矩尺寸的磁性样品或具有大或不对称磁性背景的样品环境,在拟合偶极子信号以提取磁矩之前,可能需要分离背景和样品对每个测量的原始电压测量的贡献。SquidLab最初设计用于Quantum Design MPMS 3 SQUID磁强计上的压力传感器,是一个在Matlab中实现的模块化面向对象平台,具有一系列用于不同广泛使用的磁强计系统(包括MPMS,MPMS-XL,MPMS-IQuantum,MPMS 3和S700X型号)的导入器,并已通过各种背景和信号类型的测试。该软件允许基线信号的背景减法,信号预处理,并使用Levenberg-Marquadt非线性最小二乘法或奇异值分解线性代数算法对偶极子数据进行拟合,该算法擅长挑选嘈杂或微弱的偶极子信号。插件系统允许用户使用自己的导入器、流程或拟合算法轻松扩展内置功能。SquidLab可以在学术许可下从华威大学的仓库下载(wrap.warwick.ac.uk/129665)。
2020-02-06 cond-mat.mtrl-sci cond-mat.str-el physics.data-an
Compensator-based inference for signal detection under unknown background: the binned data case
School of Statistics, University of Minnesota(明尼苏达大学统计学院)
研究未知背景下信号检测问题,核心方法是基于补偿器的推断,贡献是拓宽该方法范围并将其扩展到数据为大量分箱上泊松计数的情况。
2026-07-09 astro-ph.HE astro-ph.IM physics.data-an
An iterative method to estimate the combinatorial background
宽共振态的重建对于理解重离子碰撞的动力学过程具有重要意义。然而,大的组合背景使得这一目标非常具有挑战性。在这项工作中,提出了一种创新的迭代方法,识别信号和背景的贡献没有输入模型的归一化常数。这种技术成功地验证了一个模拟的热鸡尾酒的共振。这表明,迭代过程是一个强大的工具,重建多差分包含共振信号中产生的高多重数的重离子碰撞事件。
2018-08-14 hep-ex nucl-ex nucl-th