In high-energy physics it is a recurring challenge to efficiently and precisely (enough) calculate the global significance of, e.g., a potential new resonance. The Gross and Vitells trials factor approximation [arXiv:1105.4355(3)] and [arXiv:1105.4355(1)], which is based on the average expected "up-crossings" of the significance in the search region, has revolutionized this for significances above 3 standard deviations, but the challenges of actually calculating the average expected up-crossings and the validity of the approximation for smaller significances remain. We propose a new method that models the significance in the search region as a Gaussian Process (GP). The covariance matrix of the GP is calculated with a carefully designed set of Asimov background-only data sets, comparable in number to the random background-only data sets used in a typical analysis, however, the average up-crossings (and even directly the trials factor for both low and moderate significances) can subsequently be calculated to the desired precision with a computationally inexpensive random sampling of the GP. Once the covariance of the GP is determined, the average number of up-crossings can be computed analytically. In our work we give some highlights of the analytic calculation and also discuss some peculiarities of the trials factor estimation on a finite grid. We illustrate the method with studies of three complementary statistical models, including the one studied by Gross and Vitells [arXiv:1105.4355(3)].


翻译:在高能物理学中,这是一个反复出现的挑战,即要高效率和准确地(enough)地计算出全球重要性,例如,潜在的新的共振。Gross和Vitells试验系数近似[arXiv:1105.4355(3)]和[arXiv:1105.435555(1)]。Gross和Vitells试验系数近似于[arXiv:1105.4355(3)]和[arXiv:1105.433555(1)],其依据是搜索区域重要性的平均预期“交叉”值,使这一数值发生革命性变化,因为其重要性超过3个标准偏差,但实际计算平均交叉值和近似值对较小重要性的有效性的挑战依然存在。我们提出了一种新的方法,即将搜索区域的重要性作为Gossian进程(GP)的一部分。GP的正变式矩阵是精心设计的一套仅以Asimov背景的数据集,其数量可与典型分析中使用的随机背景数据集相比。然而,平均交叉值(甚至直接计算低度和中度估计值的精度系数)随后可以计算出理想的精确度。我们对GGPGP的平均43的平均随机抽样抽样抽样研究进行某种分析之后,可以确定一个分析。我们的一项方法。

0
下载
关闭预览

相关内容

专知会员服务
50+阅读 · 2020年12月14日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
150+阅读 · 2019年10月12日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
VIP会员
相关VIP内容
相关资讯
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Workshop
中国图象图形学学会CSIG
0+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium4
中国图象图形学学会CSIG
0+阅读 · 2021年11月10日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
Top
微信扫码咨询专知VIP会员