Optimization of tau indentification in ATLAS experiment using multivariate tools

• Autorzy: Janyst Ł. , Kaczmarska A. , Szymocha T. , Wolter M. , Zemła A.

Warianty tytułu

PL

Optymalizacja identyfikacji leptonów tau w eksperymencie ATLAS z użyciem metod analizy wielu zmiennych

• Języki publikacji: EN

Abstrakty

EN

Elementary particle physics experiments, which search for very rare processes, require the efficient analysis and selection algorithms able to separate a signal from the overwhelming background. Four learning machine algorithms have been applied to identify τ leptons in the ATLAS experiment: projective likelihood estimator (LL), Probability Density Estimator with Range Searches (PDE-RS), Neural Network, and the Support Vector Machine (SVM). All four methods have similar performance, which is significantly better than the baseline cut analysis. This indicates that the achieved background rejection is close to the maximal achievable performance.

PL

W eksperymentach fizyki wysokich energii, poszukujących bardzo rzadkich procesów, dużego znaczenia nabierają algorytmy umożliwiające separację sygnału od przeważającego tła. Cztery algorytmy uczące się na przykładach zostały zastosowane do identyfikacji leptonów tau w eksperymencie ATLAS: rzutowane rozkłady prawdopodobieństw (projective likelihood estimator - LL), PDE-RS (Probability Density Estimator with Range Searches), sieć neuronowa oraz maszyna wektorów wspierających (SVM). Algorytmy te mają zbliżone wydajności znacząco lepsze od standardowej analizy z użyciem cięć. Sugeruje to, że osiągnięte wydajności są bliskie maksymalnej osiągalnej granicy.

Słowa kluczowe

EN

multivariate methods; high energy physics; ATLAS; tau leptons

PL

analiza wielu zmiennych; fizyka cząstek elementarnych; ATLAS; leptony tau

• Wydawca: Wydawnictwa AGH
• Czasopismo: Computer Science
• Rocznik: 2008
• Tom: Vol. 9
• Strony: 35--45
• Opis fizyczny: Bibliogr. 20 poz., rys., wykr.

Twórcy

autor

Janyst Ł.

• Faculty of Physics, Astronomy and Applied Computer Science, Jagiellonian University, Krakow, Poland

autor

Kaczmarska A.

• Institute of Nuclear Physics, Polish Academy of Sciences, Krakow, Poland

autor

Szymocha T.

• Institute of Nuclear Physics, Polish Academy of Sciences, Krakow, Poland

autor

Wolter M.

• Institute of Nuclear Physics, Polish Academy of Sciences, Krakow, Poland

autor

Zemła A.

• Institute of Nuclear Physics, Polish Academy of Sciences, Krakow, Poland

Bibliografia

• [1] Wolter M.: Multivariate analysis methods in physics, Physics of Particles and Nuclei, Volume 38, Issue 2, pp. 255-268, 03/2007
• [2] Wolter M., Zemla A.: Optimization of tau identification in ATLAS experi-ment using multivariate tools, AGAT 07,April 23-27, 2007 Nikhef, Amsterdam, http://pos.sissa.it/
• [3] ATLAS collaboration: Detector and Physics Performance Technical Design Report, Volumes l and 2, CERN/LHCC/99-14, ATLAS TDR 14, (1999)
• [4] Bechtle P. et al: Identification of hadronic tau decays with ATLAS detector, ATLPHYS-INT-2008-003, ATL-COM-PHYS-2007-066
• [5] Kaczmarska A., Richter-Was E., Wolter M., Janyst L.: Performance of the tau1p3p algorithm for hadronic tau decays identification with release 12.0.6, ATLAS Note ATL-PHYS-INT-2008-004; ATL-COM-PHYS-2007-039
• [6] https://twiki.cern.ch/twiki/bin/view/Atlas/TaulP3P
• [7] Janyst L., Richter-Was E.: Hadronic tau identification with track based approach: optimisation with multi variate rnethod, ATL-COM-PHYS-2005-028; Geneva: CERN, 03 Jun 2005
• [8] Carli T., Koblitz B.: A multi-variate discrimination technique based on range searching, Nucl. Instrum. Meth. A, (501), p. 576, 2003
• [9] Bishop C. M.: Neural Networks for Pattern Recognition, Oxford University Press, Oxford, 1995
• [10] Żell A. et al: http://www-ra.informatik.uni-tuebingen.de/SNNS/
• [11] Werbos P. J.: Beyond regression: new tools for prediction and analysis in the behavioural sciences, Ph.D. thesis, Harvard University, Boston, MA, 1974
• [12] Rumelhart D. E., Hinton G. E., Williams R. J.: Learning internal representations by error propagation. Vol. l of Computational models of cognition and perception, Cambridge, MA, MIT Press, chap. 8, pp. 319-362, 1986
• [13] Vapnik V., Chervonenkis A.: A notę on one class of perceptions. Automation and Remote Control, (25), 1964
• [14] Vapnik V., Lerner A.: Pattern recognition using generalized portrait method. Automation and Remote Control, (24), 1963
• [15] Boser B., Guyon L, Vapnik V.: A training algorithm for optimal margin classi-fiers. Proceedings of the 5th Annual ACM Workshop on Computational Learning Theory, ACM Press, pp. 144-152, 1992
• [16] Cortes C., Vapnik V.: Support vector networks, Machine Learning, (20), pp. 273 -297, 1995
• [17] Burges C.: A tutorial on support vector machines for pattern recognition. Data Mining and Knowledge Discovery, 2(2), pp. 1-47, 1998
• [18] Brun R., Rademakers F.: ROOT - An Object Oriented Data Analysis Framework, Proceedings AIHENP'96 Workshop, Lausanne, Sep. 1996, Nucl. Inst. & Meth. in Phys. Res. A 389 (1997) 81-86. See also http://root.cern.ch
• [19] Hócker A., Voss H., Voss K.. Stelzer J.: TMVA (Toolkit for MultiVariate Analysis), http: //tmva. sourceforge. net
• [20] Atlas Collaboration: Atlas Computing Technical Design Report, ATLAS TDR -017, CERN-LHCC-2005-022, 18 March 2005