เปรียบเทียบวิธี

	พลังงานทรานส์เวิร์สที่หายไป	การจำแนกอนุภาคด้วย BDT
สาขาวิชา	ฟิสิกส์อนุภาค	ฟิสิกส์อนุภาค
ตระกูล	Process / pipeline	Process / pipeline
ปีกำเนิด	1990	2000
ผู้ริเริ่ม	Neutrino physics community (post-1960s)	Machine learning / particle physics community
ประเภท	Invisible particle detection method	Particle discrimination algorithm
แหล่งต้นตำรับ	Khachatryan, V., et al. (CMS Collaboration). (2014). Performance of missing transverse momentum reconstruction in proton-proton collisions at 7 TeV with ATLAS. Journal of High Energy Physics, 2012(07), 167.	Breiman, L. (2001). Random Forests. Machine Learning, 45(1), 5–32.
ชื่อเรียกอื่น	MET, missing transverse momentum, invisible energy	BDT classifier, MVA particle ID, multivariate particle identification
ที่เกี่ยวข้อง	3	3
สรุป	Missing transverse energy (MET) is a powerful technique used in high-energy physics to infer the presence of invisible particles, primarily neutrinos, that escape a detector without leaving a trace. By measuring the imbalance of transverse momentum in the event, physicists can detect signatures of weakly interacting particles crucial for studying the Standard Model and searching for new physics beyond it.	Boosted Decision Trees (BDTs) are powerful multivariate classifiers used in particle physics to distinguish between different particle types based on detector signatures. By combining many weak decision trees through adaptive boosting, BDTs achieve superior discrimination power compared to simple cuts, enabling improved purity and efficiency in particle identification and background rejection.