机器学习有很多应用。在我们高能实验物理方面，我们经常用它能区分信号和本底。一个典型的问题是，高能物理实验会涉及很多系统误差（特别是在像LHC这样的强子对撞机上寻找微小的信号），而这些系统误差会影响对信号的灵敏度。但是目前，还没有一个成熟的机器学习方法可以把各种各样的系统误差考虑到training当中，并提高信号的显著性。为此，我提出了一种新的基于决策树(decision tree)和统计学里面的“显著性(significance)”概念的方法——QBDT （即将在NIMA上发表）。

算法：https://github.com/xialigang/QBDT

文章：https://arxiv.org/abs/1810.08387

它的核心思想是：把信号显著性（记作Q）当成优化目标，利用Q来控制决策树的生长，定义误判的权重因子（所谓错误判断的惩罚机制），以及作为最后的输出（score）。在计算Q时，我们可以把各种各样的系统误差考虑进去。直接利用最大似然拟合方法得到Q是非常费时费力的。这里利用我以前的一个计算结果，可以得到考虑系统误差的Q的一个近似的解析表达式。

其中的表达式为

这里很多量不解释了，请参考上面的文章。