BibTex format
@article{Chekhovsky:2025:epjc/s10052-025-14713-w,
author = {Chekhovsky, V and Hayrapetyan, A and Makarenko, V and Tumasyan, A and Adam, W and Andrejkovic, JW and Benato, L and Bergauer, T and Chatterjee, S and Damanakis, K and Dragicevic, M and Hussain, PS and Jeitler, M and Krammer, N and Li, A and Liko, D and Mikulec, I and Schieck, J and Schöfbeck, R and Schwarz, D and Sonawane, M and Waltenberger, W and Wulz, C-E and Janssen, T and Kwon, H and Van, Laer T and Van, Mechelen P and Breugelmans, N and DHondt, J and Dansana, S and De, Moor A and Delcourt, M and Heyen, F and Hong, Y and Lowette, S and Makarenko, I and Müller, D and Tavernier, S and Tytgat, M and Van, Onsem GP and Van, Putte S and Vannerom, D and Bilin, B and Clerbaux, B and Das, AK and De, Bruyn I and De, Lentdecker G and Evard, H and Favart, L and Gianneios, P and Khalilzadeh, A and Khan, FA and Lee, K and Malara, A and Shahzad, MA and Thomas, L and Vanden, Bemden M and Vander, Velde C and Vanlaer, P and De, Coen M and Dobur, D and Gokbulut, G and Knolle, J and Lambrecht, L and },
doi = {epjc/s10052-025-14713-w},
journal = {The European Physical Journal C},
title = {Development of systematic uncertainty-aware neural network trainings for binned-likelihood analyses at the LHC},
url = {http://dx.doi.org/10.1140/epjc/s10052-025-14713-w},
volume = {85},
year = {2025}
}
RIS format (EndNote, RefMan)
TY - JOUR
AB - <jats:title>Abstract</jats:title> <jats:p> We propose a neural network training method capable of accounting for the effects of systematic variations of the data model in the training process and describe its extension towards neural network multiclass classification. The procedure is evaluated on the realistic case of the measurement of Higgs boson production via gluon fusion and vector boson fusion in the <jats:inline-formula> <jats:alternatives> <jats:tex-math>$${\uptau } {\uptau } $$</jats:tex-math> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML"> <mml:mrow> <mml:mi>τ</mml:mi> <mml:mi>τ</mml:mi> </mml:mrow> </mml:math> </jats:alternatives> </jats:inline-formula> decay channel at the CMS experiment. The neural network output functions are used to infer the signal strengths for inclusive production of Higgs bosons as well as for their production via gluon fusion and vector boson fusion. We observe improvements of 12 and 16% in the uncertainty in the signal strengths for gluon and vector-boson fusion, respectively, compared with a conventional neural network training based on cross-entropy. </jats:p>
AU - Chekhovsky,V
AU - Hayrapetyan,A
AU - Makarenko,V
AU - Tumasyan,A
AU - Adam,W
AU - Andrejkovic,JW
AU - Benato,L
AU - Bergauer,T
AU - Chatterjee,S
AU - Damanakis,K
AU - Dragicevic,M
AU - Hussain,PS
AU - Jeitler,M
AU - Krammer,N
AU - Li,A
AU - Liko,D
AU - Mikulec,I
AU - Schieck,J
AU - Schöfbeck,R
AU - Schwarz,D
AU - Sonawane,M
AU - Waltenberger,W
AU - Wulz,C-E
AU - Janssen,T
AU - Kwon,H
AU - Van,Laer T
AU - Van,Mechelen P
AU - Breugelmans,N
AU - DHondt,J
AU - Dansana,S
AU - De,Moor A
AU - Delcourt,M
AU - Heyen,F
AU - Hong,Y
AU - Lowette,S
AU - Makarenko,I
AU - Müller,D
AU - Tavernier,S
AU - Tytgat,M
AU - Van,Onsem GP
AU - Van,Putte S
AU - Vannerom,D
AU - Bilin,B
AU - Clerbaux,B
AU - Das,AK
AU - De,Bruyn I
AU - De,Lentdecker G
AU - Evard,H
AU - Favart,L
AU - Gianneios,P
AU - Khalilzadeh,A
AU - Khan,FA
AU - Lee,K
AU - Malara,A
AU - Shahzad,MA
AU - Thomas,L
AU - Vanden,Bemden M
AU - Vander,Velde C
AU - Vanlaer,P
AU - De,Coen M
AU - Dobur,D
AU - Gokbulut,G
AU - Knolle,J
AU - Lambrecht,L
AU - Marckx,D
AU - Skovpen,K
AU - Van,Den Bossche N
AU - van,der Linden J
AU - Vandenbroeck,J
AU - Wezenbeek,L
AU - Bein,S
AU - Benecke,A
AU - Bethani,A
AU - Bruno,G
AU - Caputo,C
AU - De,Favereau De Jeneret J
AU - Delaere,C
AU - Donertas,IS
AU - Giammanco,A
AU - Guzel,AO
AU - Jain,SA
AU - Lemaitre,V
AU - Lidrych,J
AU - Mastrapasqua,P
AU - Tran,TT
AU - Turkcapar,S
AU - Alves,GA
AU - Coelho,E
AU - Correia,Silva G
AU - Hensel,C
AU - Menezes,De Oliveira T
AU - Mora,Herrera C
AU - Rebello,Teles P
AU - Soeiro,M
AU - Tonelli,Manganote EJ
AU - Vilela,Pereira A
AU - Aldá,Júnior WL
AU - Barroso,Ferreira Filho M
AU - Brandao,Malbouisson H
AU - Carvalho,W
AU - Chinellato,J
AU - Da,Costa EM
AU - Da,Silveira GG
AU - De,Jesus Damiao D
AU - Fonseca,De Souza S
AU - De,Souza RG
AU - Laux,Kuhn T
AU - Macedo,M
AU - Martins,J
AU - Mota,Amarilo K
AU - Mundim,L
AU - Nogima,H
AU - Pinheiro,JP
AU - Santoro,A
AU - Sznajder,A
AU - Thiel,M
AU - Bernardes,CA
AU - Calligaris,L
AU - Fernandez,Perez Tomei TR
AU - Gregores,EM
AU - Maietto,Silverio I
AU - Mercadante,PG
AU - Novaes,SF
AU - Orzari,B
AU - Padula,SS
AU - Scheurer,V
AU - Aleksandrov,A
AU - Antchev,G
AU - Hadjiiska,R
AU - Iaydjiev,P
AU - Misheva,M
AU - Shopova,M
AU - Sultanov,G
AU - Dimitrov,A
AU - Litov,L
AU - Pavlov,B
AU - Petkov,P
AU - Petrov,A
AU - Shumka,E
AU - Keshri,S
AU - Laroze,D
AU - Thakur,S
AU - Cheng,T
AU - Javaid,T
AU - Yuan,L
AU - Hu,Z
AU - Liang,Z
AU - Liu,J
AU - Chen,GM
AU - Chen,HS
AU - Chen,M
AU - Iemmi,F
AU - Jiang,CH
AU - Kapoor,A
AU - Liao,H
AU - Liu,Z-A
AU - Sharma,R
AU - Song,JN
AU - Tao,J
AU - Wang,C
AU - Wang,J
AU - Wang,Z
AU - Zhang,H
AU - Zhao,J
AU - Agapitos,A
AU - Ban,Y
AU - Carvalh
DO - epjc/s10052-025-14713-w
PY - 2025///
TI - Development of systematic uncertainty-aware neural network trainings for binned-likelihood analyses at the LHC
T2 - The European Physical Journal C
UR - http://dx.doi.org/10.1140/epjc/s10052-025-14713-w
UR - https://doi.org/10.1140/epjc/s10052-025-14713-w
VL - 85
ER -