Speakers
Description
Quantificare l’incertezza in modo affidabile rappresenta una sfida centrale nelle analisi di fisica delle alte energie, dove valutazioni statisticamente rigorose del livello di confidenza sono indispensabili per la scoperta di nuova fisica.
In questo contesto, la Conformal Prediction (CP) risulta particolarmente interessante, fornendo garanzie di coverage a campione finito e indipendenti dalla distribuzione dei dati. Inoltre, può essere applicata a qualsiasi modello già addestrato senza necessità di riaddestramento, rendendola particolarmente versatile.
Utilizzando gli open data rilasciati nell’ambito dell’Higgs Uncertainty Challenge, questo studio esplora le potenzialità della CP nella costruzione di intervalli di predizione con livelli di coverage garantiti, in un’applicazione realistica di fisica delle alte energie. I risultati mostrano che la CP costituisce un approccio competitivo e facilmente integrabile nei flussi di lavoro esistenti.
Nel complesso, CP rappresenta uno strumento promettente per lo sviluppo di tecniche di intelligenza artificiale robuste in applicazioni in cui la quantificazione dell’incertezza è cruciale per valutare la rilevanza scientifica delle conclusioni.