역배깅 알고리즘 부트스트랩 기반 이상 탐지

이 논문은 고에너지 물리학, 특히 LHC와 같은 입자 충돌 실험에서 흔히 발생하는 “잘 모델링된 대규모 배경 + 미지의 희귀 신호” 상황을 다룬다. 기존의 지도학습 기반 분류기들은 신호와 배경 양쪽의 확률밀도함수(PDF)를 사전에 정확히 알아야 효과적으로 학습할 수 있다. 그러나 실제 탐색 단계에서는 신호의 PDF가 전혀 알려지지 않은 경우가 대부분이며, 이런 경우 전통적인 방법은 적용이 어렵다. 저자들은 이러한 문제를 해결하기 위해 부트스트랩(bootstrap) 기법을 역방향으로 적용한 새로운 알고리즘, “Inverse Bagging”(역배깅)을 제안한다. **알고리즘 설계** 1. **데이터 구성**: 테스트 샘플 N_test 개를 준비하고, 배경 비율 B가 0.96 정도로 매우 높은 상황을 가정한다. 즉, 테스트 샘플은 B·N_test 개의 배경 이벤트와 (1‑B)·N_test 개의 신호 이벤트로 구성된다. 2. **훈련 샘플**: 배경만으로 구성된 훈련 샘플 N_train 개(예: 5 000개)를 별도로 확보한다. 이 샘플은 배경의 특성을 정확히 모델링하는 데 사용된다. 3. **부트스트랩 샘플링**: 테스트 샘플에서 M(≪N_test)개의 이벤트를 복원추출하여 하나의 부분집합을 만든다. 이 과정을 수십만 번(예: 100 k) 반복한다. 각 부트스트랩 부분집합은 배경이 풍부할 확률이 높으며, 실제로 배경만으로 구성된 부분집합이 존재할 확률이 충분히 크다. 4. **다변량 적합도 검정**: 각 부트스트랩 부분집합에 대해 다변량 적합도 검정(statistic)을 계산한다. 논문에서는 Anderson‑Darling, Kolmogorov‑Smirnov, Zech의 에너지 테스트(가중치 함수 포함) 등을 사용한다. 특히, 신호와 배경의 차이가 꼬리 부분에 집중되는 경우를 고려해 Anderson‑Darling과 에너지 테스트가 선호된다. 5. **배경‑유사 판정**: 검정 통계량이 사전에 정의된 임계값보다 작으면 해당 부분집합을 “배경‑유사”로 판정한다. 6. **이벤트 스코어링**: 각 이벤트 i에 대해 (a) 전체 부트스트랩 반복 중 i가 선택된 횟수 tr_i, (b) i가 포함된 부분집합이 배경‑유사로 판정된 횟수 ok_i 를 기록한다. 이벤트는 비율 R_i = ok_i / tr_i 로 정렬한다. R_i가 낮을수록 신호일 가능성이 높다. **성능 평가** - **데이터셋**: 공개된 HEPMASS 데이터셋을 사용한다. 배경은 시뮬레이션된 t t̄ 이벤트, 신호는 가상의 1 TeV 입자 X → t t̄ 붕괴로 구성한다. - **실험 설정**: 훈련 샘플 5 000개, 테스트 샘플 1 000개(B=0.96), 부트스트랩 부분집합 크기 M=100, 부트스트랩 반복 100 k 회. 다변량 적합도 검정으로는 Zech의 에너지 테스트(로그 가중치)를 채택했다. - **비교 방법**: 기존 이벤트 기반 분류기인 Relative Likelihood와 k‑Nearest‑Neighbour(k‑NN)를 기준선으로 삼았다. - **결과**: ROC 곡선에서 역배깅은 전반적으로 높은 효율‑순도 곡선을 보였으며, 특히 효율이 0.8 이상인 구간에서 두 기존 방법을 크게 앞섰다. 또한, 배경‑전용 부분집합의 검정 통계량 분포와 혼합(신호+배경) 부분집합의 분포가 명확히 구분되어, 역배깅이 실제로 배경‑유사와 신호‑혼합을 효과적으로 구분함을 확인했다. **파라미터 민감도 분석** - **배경 비율 B**: B=0.96(희귀 신호)에서는 우수한 성능을 보였지만, B=0.76(신호 비중 증가)으로 바꾸면 성능이 급격히 저하되어 기존 이벤트 기반 방법보다 못했다. 이는 “배경‑전용 부트스트랩 부분집합을 충분히 많이 뽑을 수 있다”는 전제가 깨졌기 때문이다. - **부트스트랩 반복 수**: 100 k → 1 M 회로 늘리면 약간의 성능 향상이 있었지만, 계산 비용이 크게 증가하고, 1 M 회 이후에는 오히려 기존 방법 대비 효율이 감소하는 현상이 관찰되었다. - **부분집합 크기 M**: M을 테스트 샘플의 2 %(≈20개)에서 10 %(≈100개)로 확대하면, 부트스트랩 샘플 간 중복이 증가해 검정 통계량이 인위적으로 동일해지는 현상이 발생, 결과적으로 ROC 곡선이 악화되었다. - **검정 통계량 선택**: 다변량 에너지 테스트(로그 가중치)가 가장 좋은 성능을 보였으며, KS 검정은 꼬리 차이에 민감하지 않아 성능이 낮았다. **결론 및 향후 과제** 역배깅은 “배경이 압도적으로 많고 신호가 희귀한” 상황에서 샘플 기반 통계량을 활용해 이벤트를 효과적으로 구분한다는 점에서 의미가 크다. 그러나 신호 비율이 높아지면 전통적인 이벤트 기반 방법이 더 유리하고, 부트스트랩 반복 수·부분집합 크기·검정 통계량 등 파라미터에 따라 성능 변동이 크므로 사전 튜닝이 필수적이다. 향후 연구 방향으로는 (1) 다양한 다변량 적합도 검정 개발, (2) 부분집합 선택 전략(예: 중요도 가중 샘플링) 최적화, (3) 실시간 데이터 스트림에 적용 가능한 온라인 부트스트랩 기법, (4) 정보이론적 관점에서 샘플 기반 통계량과 이벤트 기반 통계량의 상한을 비교하는 이론적 분석 등이 제시된다.