HL-LHC异常检测中学习事件表征的局部诊断

该研究针对高亮度 LHC（HL-LHC）条件下的异常检测任务，提出学习事件表征的局部诊断方法。研究在模拟高亮度 LHC 条件的 COLLIDE-2V 数据集上开展评估，该数据集包含 7.5 亿事件，比较了监督与自监督神经嵌入策略，并以潜空间中自编码器的重构误差作为异常分数。结果显示，在所测配置与基准信号下，利用模拟过程标签的监督目标总体优于自监督方法；在最佳配置下，相较于直接在运动学特征上训练的自编码器，所有留出过程在 10% 背景接受率下的信号效率均有提升。目前报道仅涉及该评估结果，未披露后续实验或实际数据验证进展。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。