MASSIB利用数据平滑改进模型无关新物理搜索

Soheun Yi、John Alison 和 Mikael Kuusela 提出 MASSIB（Model-Agnostic Search with Smearing and Imperfect Background），通过机器学习学习相对于失配背景分布的事件密度比，并利用平滑密度比确定信号区（SR），以减少背景模型不完善时从控制区向信号区插值造成的背景估计偏差。 研究团队在具有真实背景建模失配的模拟大型强子对撞机（LHC）事件中测试了该方法。结果显示，MASSIB 能够适应不同类型的信号，在不对信号或背景分布作出强假设的情况下，实现较高的信号富集度并避免背景估计偏差。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。