Contrastive Learning for Interpretable Anomaly Detection at Collider Experiments
作者: Haoyi Jia, Sagar Addepalli, Julia Gonski
分类: cs.LG, hep-ex, hep-ph
发布日期: 2026-08-13
💡 一句话要点
提出ORCA以解决对撞机实验中的可解释异常检测问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 异常检测 对撞机物理 对比学习 自编码器 可解释性 高能物理 信号检测
📋 核心要点
- 现有的异常检测方法在对撞机实验中，异常分数的可解释性差且与能量和物体数量高度相关。
- 本文提出的ORCA框架通过对比学习构建嵌入空间，随后利用自编码器生成异常分数，从而提高了检测的可解释性。
- 在模拟数据集上，ORCA显著提升了对新物理信号的敏感性，相较于基线自编码器架构，表现出更好的效果。
📝 摘要（中文）
在对撞机物理中，事件级异常检测面临两个主要问题：异常分数难以解释，并且与能量尺度和物体多重性高度相关。本文提出了一种名为ORCA的框架，通过监督对比学习学习嵌入空间，然后在该空间中运行标准自编码器生成事件级异常分数。ORCA在与高亮度大型强子对撞机条件一致的模拟数据集上，显著提高了对新物理信号的敏感性。通过对比嵌入，异常样本变得可解释，已知过程占据嵌入空间的不同区域，从而可以量化不确定性地将异常样本中的事件归因于模板物理过程。这些结果确立了ORCA作为对撞机可解释异常检测搜索的一种途径，嵌入几何携带了比标准一维输出拟合更高维的物理信息，增强了下游统计分析。
🔬 方法详解
问题定义：本文旨在解决对撞机实验中事件级异常检测的可解释性问题。现有方法的痛点在于异常分数难以解释，并且与能量尺度和物体多重性高度相关。
核心思路：ORCA框架的核心思想是通过监督对比学习构建一个嵌入空间，使得已知物理过程在该空间中占据不同区域，从而提高异常样本的可解释性。
技术框架：ORCA的整体架构分为两个阶段：第一阶段是通过对比学习学习嵌入空间，第二阶段是在该空间中运行自编码器生成事件级异常分数。
关键创新：ORCA的主要创新在于通过对比学习生成的嵌入空间，使得异常样本的解释变得可量化，能够将异常事件归因于已知物理过程，并提供不确定性评估。
关键设计：在设计中，使用了监督对比学习的损失函数，确保不同物理过程的样本在嵌入空间中有良好的分离。此外，自编码器的结构经过优化，以适应嵌入空间的特性。
🖼️ 关键图片
📊 实验亮点
在模拟数据集上，ORCA相较于基线自编码器架构显著提高了对新物理信号的敏感性，展示了更好的检测能力。实验结果表明，ORCA能够准确恢复注入信号的产量，并有效识别模板库中不存在的信号，提升了异常样本的解释能力。
🎯 应用场景
该研究的潜在应用领域包括高能物理实验中的异常检测，尤其是在大型强子对撞机等实验中。通过提高异常检测的可解释性，研究可以帮助物理学家更好地理解新物理信号，并推动相关领域的研究进展。未来，ORCA框架可能扩展到其他领域的异常检测任务，提升数据分析的深度和广度。
📄 摘要（原文）
Generic event-level anomaly detection for collider physics has two recurring problems: anomaly scores are hard to interpret, and they correlate strongly with energy scale and object multiplicity. We present Organized Representation via Contrastive learning for Anomaly detection (ORCA), a two-stage framework that first learns an embedding space via supervised contrastive learning across a diverse set of physics processes, then runs a standard autoencoder in that space to generate event-level anomaly scores. On a simulated dataset consistent with conditions at the High-Luminosity Large Hadron Collider, ORCA delivers significant gains in both breadth and depth of sensitivity to new physics signals with respect to a baseline autoencoder architecture. Beyond improved sensitivity, the contrastive embedding makes the anomalous sample interpretable: because known processes occupy distinct regions of the space, a maximum-likelihood template fit to the embedding distributions can attribute events in an anomalous sample to template physics processes with quantified uncertainties. We demonstrate that the fit accurately recovers injected signal yields, including for signals excluded from the training of the embedding, and characterizes signals absent from the template library through the known processes they most resemble. These results establish ORCA as a route to interpretable anomaly detection-based searches at colliders, where the embedding geometry carries higher dimensional physics information compared to standard one-dimensional output fits, enhancing downstream statistical analysis.