Buchumschlag

Model-Agnostic Signal Discovery with Machine Learning: Bridging the Gap Between Theory and Practice

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Amram, Oz, Letizia, Marco, Kuusela, Mikael
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Data Analysis, Statistics and Probability High Energy Physics - Experiment Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Machine Learning-based Unfolding for Cross Section Measurements in the Presence of Nuisance Parameters
von: Zhu, Huanbiao, et al.
Veröffentlicht: (2025)

Toward Model-Agnostic Detection of New Physics Using Data-Driven Signal Regions
von: Yi, Soheun, et al.
Veröffentlicht: (2024)

Background Modeling for Double Higgs Boson Production: Density Ratios and Optimal Transport
von: Manole, Tudor, et al.
Veröffentlicht: (2022)

Neural Scaling Laws for Jet Generation
von: Amram, Oz, et al.
Veröffentlicht: (2026)

Multiple testing for signal-agnostic searches of new physics with machine learning
von: Grosso, Gaia, et al.
Veröffentlicht: (2024)

Comparison of Machine Learning Approaches for Classifying Spinodal Events
von: Malviya, Ashwini, et al.
Veröffentlicht: (2024)

Mind the Gap: Navigating Inference with Optimal Transport Maps
von: Algren, Malte, et al.
Veröffentlicht: (2025)

Multidimensional Deconvolution with Profiling
von: Zhu, Huanbiao, et al.
Veröffentlicht: (2024)

Introduction to the Usage of Open Data from the Large Hadron Collider for Computer Scientists in the Context of Machine Learning
von: Saala, Timo, et al.
Veröffentlicht: (2025)

Projections of Discovery Potentials from Expected Background
von: Singh, M. K., et al.
Veröffentlicht: (2023)

Machine-Learning-Based Method for Goodness-of-Fit Test in Amplitude Analysis
von: Hou, Huoyi, et al.
Veröffentlicht: (2025)

Enhancing Electromagnetic Calorimeter Signal Reconstruction with Machine Learning-Based Noise Discrimination
von: Gupta, Suman Das, et al.
Veröffentlicht: (2025)

Machine Learning in High Energy Physics: A review of heavy-flavor jet tagging at the LHC
von: Mondal, Spandan, et al.
Veröffentlicht: (2024)

XENONnT Analysis: Signal Reconstruction, Calibration and Event Selection
von: XENON Collaboration, et al.
Veröffentlicht: (2024)

Review of Machine Learning for Real-Time Analysis at the Large Hadron Collider experiments ALICE, ATLAS, CMS and LHCb
von: Boggia, Laura, et al.
Veröffentlicht: (2025)

Biases in the Determination of Correlations Between Underground Muon Flux and Atmospheric Temperature
von: Ma, Bangzheng, et al.
Veröffentlicht: (2026)

Designing Observables for Measurements with Deep Learning
von: Long, Owen, et al.
Veröffentlicht: (2023)

Machine Learning for Anomaly Detection in Particle Physics
von: Belis, Vasilis, et al.
Veröffentlicht: (2023)

SwdFold:A Reweighting and Unfolding method based on Optimal Transport Theory
von: Pan, Chu-Cheng, et al.
Veröffentlicht: (2024)

Learning to bin: differentiable and Bayesian optimization for multi-dimensional discriminants in high-energy physics
von: Erdmann, Johannes, et al.
Veröffentlicht: (2026)

SymbolFit: Automatic Parametric Modeling with Symbolic Regression
von: Tsoi, Ho Fung, et al.
Veröffentlicht: (2024)

Physics Event Classification Using Large Language Models
von: Fanelli, Cristiano, et al.
Veröffentlicht: (2024)

Learning the Standard Model Manifold: Bayesian Latent Diffusion for Collider Anomaly Detection
von: Patel, Jigar, et al.
Veröffentlicht: (2026)

Scalable Multi-Task Learning for Particle Collision Event Reconstruction with Heterogeneous Graph Neural Networks
von: Sutcliffe, William, et al.
Veröffentlicht: (2025)

Global Optimisation of Black-Box Functions with Generative Models in the Wasserstein Space
von: Ramazyan, Tigran, et al.
Veröffentlicht: (2024)

Gradient-descent-based reconstruction for muon tomography based on automatic differentiation in PyTorch
von: Alameddine, Jean-Marco, et al.
Veröffentlicht: (2025)

On the Statistical Interpretation of Discoveries in LHC Data
von: Chekanov, S. V., et al.
Veröffentlicht: (2026)

The Interplay of Machine Learning--based Resonant Anomaly Detection Methods
von: Golling, Tobias, et al.
Veröffentlicht: (2023)

Learning Selection Cuts With Gradients
von: Hance, Mike, et al.
Veröffentlicht: (2025)

Agents of Discovery
von: Diefenbacher, Sascha, et al.
Veröffentlicht: (2025)

Uncertainty Propagation within Chained Models for Machine Learning Reconstruction of Neutrino-LAr Interactions
von: Douglas, Daniel, et al.
Veröffentlicht: (2024)

High Level Reconstruction with Deep Learning using ILD Full Simulation
von: Suehara, Taikan, et al.
Veröffentlicht: (2024)

Event-by-event Comparison between Machine-Learning- and Transfer-Matrix-based Unfolding Methods
von: Backes, Mathias, et al.
Veröffentlicht: (2023)

Machine Learning-Assisted Unfolding for Neutrino Cross-section Measurements with the OmniFold Technique
von: Huang, Roger G., et al.
Veröffentlicht: (2025)

TrackSorter: A Transformer-based sorting algorithm for track finding in High Energy Physics
von: Melkani, Yash, et al.
Veröffentlicht: (2024)

DeepTreeGANv2: Iterative Pooling of Point Clouds
von: Scham, Moritz Alfons Wilhelm, et al.
Veröffentlicht: (2023)

GNN For Muon Particle Momentum estimation
von: Bhat, Vishak K, et al.
Veröffentlicht: (2026)

Scaling Particle Collision Data Analysis
von: Wu, Hengkui, et al.
Veröffentlicht: (2024)

An information theoretic limit to data amplification
von: Watts, S. J., et al.
Veröffentlicht: (2024)

A First Full Physics Benchmark for Highly Granular Calorimeter Surrogates
von: Buss, Thorsten, et al.
Veröffentlicht: (2025)