- 登录发表评论
事件加权就像调整乐高积木的大小，我们可以使用所有的积木(包括红色和绿色的)，而输出仍然是相同的!
在HEP中，我们经常遇到这样的情况，即我们感兴趣的事件发生在相空间的一个非常有限的区域内。在这种情况下最微不足道的方法就是使用事件选择过滤掉感兴趣的事件。但这通常会导致低统计，因为感兴趣的区域是狭窄的。
另一种解决方案是事件加权技术我们用权重替换选择。获取这些事件权重的最常见做法是使用分箱效率映射。但是这种参数化效率的方法是有问题的，因为效率经常受到大量参数的影响(我们通常不知道完整的参数集)，并且分箱图在高维上不能很好地工作，而且低统计量也会影响效率的估计。
使用GNN估计效率可以显著改善这种情况。GNN可以从给定的输入中推断出参数集，并可以构造一个非常丰富的高维效率参数化。这里神奇的成分是在图中的节点之间传递消息。一个节点的效率通常受到图中其他节点的影响(例如。在风味标记中，射流的效率取决于附近射流的存在)，而GNN允许我们很好地建模，从而改进了估计。这种方法也是通用的，这意味着它可以很好地概括具有不同属性的样本，这些属性是模型在训练期间没有看到的。
目前，我们正在ATLAS范围内研究这种方法，并致力于在实践中实施这些想法。