Skip to content
Hot eventLive

HL-LHC异常检测中学习事件表征的局部诊断

1 reports1 sources2 hr ago updated

Get the story

AI overview

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。

Generated from reports · updated 2 hr ago

LatestOct 12
研究在 COLLIDE-2V 数据集上验证监督嵌入策略优于自监督，并提升信号效率。

Timeline

Follow the coverage from different angles.

Oct 12, 2026
  1. arXiv · Artificial Intelligence
    HL-LHC 异常检测中学习事件表征的局部诊断

    研究在模拟高亮度 LHC 条件的 COLLIDE-2V 数据集（7.5 亿事件）上评估监督与自监督神经嵌入策略，以学习潜空间中自编码器的重构误差作为异常分数。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，并在最佳配置下较直接在运动学特征上训练的自编码器提升所有留出过程在 10% 背景接受率下的信号效率。

Heat trend

There is not enough continuous observation data to draw a trend yet.