다차원 데이터를 1차원 히스토그램으로 압축하는 새로운 방법

초록

본 논문은 배경 분포를 사전에 알고 있다고 가정한 두 가지 차원 축소 기법을 제시한다. 첫 번째는 신호 모델 없이 배경만을 이용해 각 이벤트에 가중치를 부여해 1‑D 히스토그램을 만든다. 두 번째는 신호와 배경 모델을 모두 활용해 최적의 신호‑대‑배경 비율을 유지하도록 가중치를 정의한다. 두 방법 모두 다차원 정보를 손실 없이 1‑D 형태로 변환하면서 통계적 검출력을 유지하거나 향상시킨다.

상세 분석

논문은 고에너지 물리학에서 흔히 마주치는 “특정 변수에 피크가 존재하지만 신호 순도가 다른 변수에 크게 의존한다”는 상황을 해결하기 위해 두 가지 차원 축소 방식을 제안한다. 첫 번째 방법은 ‘배경‑전용 가중치(Background‑Only Weight)’라 부르며, 각 이벤트를 다차원 공간에서 배경 확률밀도함수 (B(\vec{x})) 에 의해 가중한다. 구체적으로 (w_i = 1/B(\vec{x}_i)) 또는 (w_i = \sqrt{B(\vec{x}_i)}) 와 같은 형태를 선택해, 가중된 합계가 1‑D 히스토그램의 기대값이 되도록 한다. 이 방식은 신호 모델에 의존하지 않으므로 모델 불확실성에 강인하지만, 신호와 배경이 겹치는 영역에서는 통계적 효율이 다소 감소한다.

두 번째 방법은 ‘신호‑배경 최적 가중치(Signal‑Background Optimal Weight)’라 명명한다. 여기서는 신호 확률밀도함수 (S(\vec{x})) 와 배경 (B(\vec{x})) 를 모두 이용해 가중치를
\