Executive Summary

주요 수치

출처: Dorigo, The Greedy Bump Bias: Local Profiling Geometry and the Look-Elsewhere Effect, arXiv:2609.03581(2026) 3·8·9절 · ATLAS(2016) 초록

입자물리에서 새 입자를 찾는 일은 질량 분포 어딘가에 솟은 봉우리를 찾는 일이다. 그런데 그 봉우리가 어느 질량에 있는지는 아무도 모른다. 그래서 관례적으로 신호의 세기와 위치를 함께 자유롭게 두고, 우도가 가장 커지는 조합을 고른다. 폭 같은 모양 변수도 대개 같이 넘긴다. 이 조작을 논문은 프로파일링이라 부른다.

신호 모형이 옳더라도 위치와 세기는 같은 잡음 데이터에서 함께 추정된다. 위치를 자유롭게 두면 맞춰지는 템플릿이 그날의 잡음 실현을 따라 움직인다. 양의 요동 쪽으로 다가가거나 음의 요동에서 물러난다. 움직임 자체에는 선호하는 방향이 없지만, 어느 쪽으로 옮길지는 적합도가 좋아지는 쪽으로 정해진다. 그래서 최적화된 봉우리 높이의 변화는 평균이 양수다.

논문은 잰 세기를 두 조각으로 가른다. 하나는 진짜 위치에 템플릿을 고정했을 때의 보통 요동이고, 이 조각의 평균은 0이다. 다른 하나는 템플릿을 다양체 위에서 움직여 얻은 이득이다. 편향은 전부 두 번째 조각에서 나온다. 위치를 고정하고 재면 이 편향은 아예 생기지 않는다.

이 이야기의 출발점은 20년 전이다. 2003년 CDF 실험 내부 연구에서 저자는 가우시안 신호의 위치를 자유롭게 두었을 때 맞춰진 수율이 위로 편향된다는 것을 관찰했고, 신호대잡음비가 커질수록 그 크기가 줄어든다는 것도 보았다. 2009년 블로그 글에서 이 현상에 탐욕적 봉우리 편향(greedy bump bias)이라는 이름을 붙였다. 논문이 적어 둔 대로 당시 연구는 효과를 수치로 확인했을 뿐, 그 기제를 해석적으로 설명하지는 않았다.

1.1모의실험이 확인한 두 극한

고르는 좌표가 D개일 때 프로파일링으로 얻는 우도 이득은 자유도 D의 카이제곱 분포로 가고, 그 평균은 D다. 잰 세기의 편향은 D/(2Q)다. 저자는 ROOT 모의실험으로 이 두 예측을 확인했다. 위치 하나만 자유로운 1차원 모형은 신호 세기마다 20만 번, 위치와 폭을 함께 푸는 2차원 모형은 100만 번씩 돌렸다. 편향에 Q를 곱한 값이 D=1에서 1/2로, D=2에서 1로 수렴한다.

수렴 속도까지 맞는다. 2차원 모형에서 유한한 Q 때문에 남는 첫 보정항을 모의실험 값에 맞춰 뽑으면 2.263 ± 0.159가 나오는데, 해석적으로 계산한 값은 9/4, 곧 2.25다. 폭 좌표의 편향과 우도 이득의 보정항도 각각 예측값 1과 4.5에 맞았다. 다만 저자가 밝혀 둔 단서가 하나 붙는다. 위치가 얼마나 정확히 잡히는지를 재는 양들은 수렴이 느려서, 접근할 수 있는 Q 범위에서는 더 높은 차수 항이 여전히 무겁게 남는다.

신호가 아예 없을 때로 넘어가 보자. 배경만 있어도 어딘가에는 가장 높은 요동이 있고, 그 자리를 골라 재면 제법 그럴듯한 봉우리가 나온다. 입자물리는 이 문제를 look-elsewhere 효과라고 부른다. 이 질량에서 본 초과를 평가할 때 다른 질량에서도 비슷한 요동이 나올 수 있었다는 사실을 셈에 넣어야 한다는 뜻이다. 국소 유의도를 전역 유의도로 낮추는 보정이 여기서 나온다.

이 보정이 실제로 얼마나 큰지는 2015년 말에 널리 알려졌다. ATLAS와 CMS가 광자 두 개의 불변질량 분포에서 750 GeV 부근의 초과를 보고했다. ATLAS는 스핀 0을 가정한 탐색에서 국소 유의도 3.9σ를, CMS는 3.4σ를 보고했다. 두 실험이 같은 논문에 함께 적어 둔 전역 유의도는 2.1σ와 1.6σ다. 이론 해석 논문이 잇따랐지만 2016년 데이터에서 그 봉우리는 사라졌다. 이 사례는 도리고의 논문에 나오지 않으며, 보정의 크기 감각을 주려고 이 글이 가져온 것이다.

그로스와 비텔스가 2010년에 준 실용적 근사에 따르면, 탐색 차원이 하나일 때 시행 계수는 국소 유의도에 대략 비례해 자란다. D차원에서 같은 구조는 임계값 u의 D제곱 꼴이 된다. 앞에 붙는 상수에는 탐색 영역의 크기와 기하가 들어간다. 곧 시행 계수는 두 몫으로 갈린다. 논문이 밝히듯 전역 다중도와 국소 최적화를 가르는 이 구분은 이미 그로스와 비텔스의 해석에 들어 있었다. 상수는 사실상 몇 개의 독립된 구역을 뒤졌느냐를 담고, u의 D제곱은 그 구역 하나하나 안에서 위치와 모양을 이어서 최적화해 얻은 몫을 담는다.

그래서 같은 정수 D가 서로 다른 세 곳에 나타난다.

논문의 첫 기여는 여기서 나온다. 시행 계수에 로그를 씌우고 임계값으로 미분하면 앞에 붙은 상수가 사라진다. 탐색 영역이 얼마나 넓었는지가 지워지고 국소 최적화 몫만 남는다. 그 값을 u = Q에서 평가하면 정확히 잰 세기의 편향이 된다. 곧 시행 계수가 임계값을 따라 자라는 상대 속도의 절반이 진짜 신호가 부푸는 양이다.

차원이 같다는 우연이 아니냐고 물을 수 있다. 논문은 두 값이 같은 행렬에서 나온다고 답한다. 진짜 신호가 있으면 정합필터 봉우리는 Q에 비례해 접선 방향으로 좁아진다. 배경만 있을 때 높이 u짜리 드문 봉우리에 조건을 걸면 같은 방향들에서 같은 곡률이 나온다. 다만 신호 쪽 계산에는 곡률의 역행렬이 대각합으로 들어가고, 배경 쪽 계산에는 곡률이 행렬식으로 들어간다. 쓰임이 갈릴 뿐 재료가 되는 계량은 하나다.

같은 계량이라는 말을 그림으로 바꿔 보면 이렇다. 신호가 셀수록 템플릿이 앉을 만한 자리의 폭이 좁아진다. 잰 좌표의 공분산이 Q의 제곱에 반비례하니 그 자리가 차지하는 부피는 Q의 D제곱에 반비례해 줄어든다. 이 부피에 로그를 씌워 Q로 미분한 값의 절반을 부호만 뒤집으면 정확히 D/(2Q)가 나온다. 그리고 그렇게 좁아지는 칸이 배경만 있을 때 서로 구별되는 탐색 자리의 개수를 Q의 D제곱으로 불리는 바로 그 칸이다. 국소 분해능이라는 하나의 기하를 신호 쪽에서 보면 위로 밀리는 양이고, 배경 쪽에서 보면 늘어나는 자리의 수다.

두 쪽이 이렇게 맞아떨어지는 데는 조건이 붙는다. 저자는 일반적인 비중심 가우시안 마당에서라면 신호 곡률이 세기를 따라 변하는 속도가 잡음 기울기의 공분산과 같아야 두 값이 일치한다고 따로 적어 두었다. 정규화한 정합필터 문제에서는 곡률이 QG이고 공분산이 G여서 이 조건이 저절로 맞는다. 항등식은 정합 우도 기하의 성질이지, 봉우리를 찾는 모든 절차에 그대로 붙지는 않는다.

앞 절의 셈은 신호가 충분히 셀 때의 것이다. 여기서 Q를 0으로 보내 배경만 있는 경우를 얻을 수는 없다. 신호가 사라지면 그 주위로 전개할 참된 위치 자체가 없어지기 때문이다. 논문은 이 지점을 원뿔의 꼭짓점이라 부른다. 대신 다른 변수를 잡는다. 봉우리들 사이의 경쟁이다.

1차원 모형에서 신호를 넣은 자리에서 출발해 언덕을 따라 올라가면 신호에 딸린 극대점 하나가 나온다. 탐색 구간 안의 나머지 극대점 가운데 가장 높은 것을 따로 세운다. 전역 최댓값은 정확히 이 둘 중 큰 쪽이다. 그러면 전역 편향은 신호에 딸린 국소 편향과 먼 봉우리가 이겨서 생기는 몫의 합으로 정확히 갈린다. 이 분해에는 극대점들이 독립이라는 가정도, 포아송 과정이라는 가정도 들어가지 않는다.

갈라 놓고 나면 탐색 범위가 어디서 작동하는지가 보인다. 신호가 약한 Q=1에서 신호에 딸린 국소 편향은 0.527이다. 탐색 반범위를 6σ, 10σ, 14σ로 넓히면 전역 편향은 0.777, 0.939, 1.053으로 오른다. 국소 편향은 그대로인데 먼 봉우리가 이기는 몫만 늘어난 결과다. 먼 봉우리가 신호를 눌러 이길 확률도 같은 순서로 0.354, 0.498, 0.582다.

분해 자체는 가정 없이 정확하지만, 먼 봉우리를 신호와 무관한 배경으로 갈아 끼워 셈하는 대목에서는 근사가 들어간다. 저자는 그 근사를 세 가지 방식으로 재서 비교했다. 사건별 짝을 그대로 둔 값, 신호 쪽 봉우리와 먼 봉우리의 짝만 무작위로 섞은 값, 먼 봉우리를 배경만 있는 별개 모의실험에서 가져온 값이다. 반범위 10σ에 Q=1이면 세 값이 0.9392, 0.9472, 0.9278로 나온다. 짝을 그대로 두었을 때 값이 조금 낮으니 사건별 의존은 전역 편향을 약간 줄이는 쪽이고, 신호가 든 모의실험에서 나온 먼 봉우리는 배경만 있는 모의실험의 것보다 조금 더 경쟁력이 있다. 두 어긋남은 부호가 반대라 상당 부분 서로 지운다.

신호가 세지면 이 몫은 지수적으로 드물어진다. Q가 5에서 6쯤에 이르면 전역 편향과 국소 편향이 모의실험의 눈금으로는 구별되지 않는다. 얼마나 넓게 뒤졌는지가 강한 신호의 편향에는 앞선 차수에서 영향을 주지 않는다는 뜻이고, 반대로 약한 신호에서는 탐색 부피가 곧바로 값에 들어온다는 뜻이다. 논문이 세 층위를 갈라 두는 이유가 여기 있다. 자유도 D는 보편적인 국소 효과를 정하고, 다양체의 곡률은 그다음 차수의 모형별 보정을 정하고, 탐색 부피와 경계와 극대점들 사이의 상관은 경쟁이 시작될 때 들어온다.

임계값이 무한히 높지 않은 구간에서는 배경 극대점들을 포아송 과정으로 놓는 근사도 흔들린다. 논문은 그 어긋남을 계승 누적률로 정리한다. 반범위 10σ에서 임계값 1.0일 때 경쟁 봉우리가 하나도 없을 확률을 50만 회 모의실험으로 재면 0.25336인데, 포아송 근사는 0.26827을 준다. 둘째 누적률까지 넣으면 0.25223, 셋째까지 넣으면 0.25349로 모의값과 사실상 겹친다. 다만 둘째 누적률의 부호가 임계값에 따라 뒤집혀서, 이 상관을 반발이라 부르기보다 비포아송 상관이라 부르는 편이 정확하다고 저자는 적었다.

경계와 표시 규약을 걷어낸 깨끗한 내부 극대점 과정에서는 이야기가 더 단정해진다. 두 점 칵-라이스 계산은 아주 가까이 붙은 두 극대점이 나타날 밀도가 거리의 네제곱으로 억눌린다는 결과를 준다. 마당이 매끄러우면 가까운 두 봉우리는 높이가 거의 같아야 하고 양쪽 기울기가 모두 0이어야 하며 그 사이에서 방향을 틀어야 해서, 허용되는 배치가 급격히 줄어들기 때문이다. 이 계산에서 나온 둘째 계승 누적률은 내부 극대점만 센 50만 회 모의실험과 대조해 임계값 네 지점 모두에서 퍼센트 수준 안쪽으로 맞았고, 어긋남은 전부 모의실험 표준오차의 두 배 안에 들어간다.

여기까지가 논문이다. 저자는 그 결과가 어디까지 유효한지도 직접 밝혀 두었다. 계산은 전부 가우시안 잡음 모형 위에서 이뤄졌고, 그것은 기하를 깨끗하게 드러내려는 선택이었다. 실제 공명 탐색은 대개 포아송 우도나 확장 우도를 쓴다. 접선 공간 결과와 국소 편향과 유한 임계값 보정 가운데 어느 것이 그 조건에서 살아남는가. 결론은 그것을 밝히는 일을 중요한 다음 단계로 꼽는다.

3절에서 본 잔여 의존에도 저자는 유보를 붙였다. 예시로 든 구간에서는 작지만, 신호가 셀 때 드물게 일어나는 역전에서는 이긴 경쟁자가 신호 근처에 몰리는 경향이 남는다. 탐색 구간이 짧을수록 그렇고, 이것이 높은 Q에서 먼 봉우리 승률을 독립 배경 모형이 온전히 설명하지 못하는 이유라고 저자는 적었다. 이 몫을 제대로 정량화하려면 비중심 마당의 두 점 계산이 있어야 한다. 셋째 계승 누적률도 아직은 모의실험에서 뽑은 값이라, 해석적 짝을 얻으려면 세 점 계산으로 가야 한다. 사의에는 해석적 유도와 수치 연구, 문헌 조사와 원고 준비에 오픈AI의 ChatGPT(GPT-5.6 Sol)를 썼고 과학적 방향과 해석과 최종 책임은 저자에게 있다고 적혀 있다.

논문 밖으로 나가 보면, 이 구조는 물리학의 사정이 아니다. 데이터에서 무언가를 찾아내는 절차는 위치나 모양을 미리 정하지 않았다면 전부 같은 편향을 안는다. 대시보드를 훑다가 가장 눈에 띄는 구간을 잘라 보고하는 일이 그렇다. 구간의 시작과 끝을 데이터를 보고 정했으므로 자유도가 최소 둘이다. 임계값을 옮겨 가며 이상치가 가장 잘 잡히는 지점을 고르는 일도 그렇다. A/B 테스트를 돌린 뒤 여러 지표 가운데 가장 잘 나온 것을 사후에 고르는 일도 그렇다. 셋 다 신호의 자리를 데이터에 맞춰 고르는 절차이고, 그렇게 고른 발견은 고르지 않았을 때보다 크다.

이 대응은 논문에 없고 이 글의 해석이다. 다만 세 물음은 같은 순서로 짚어 볼 만하다.

• 이 발견에서 우리가 데이터를 보고 정한 것이 몇 개인가. 구간의 경계, 임계값, 지표, 집단, 기간을 세면 그것이 곧 자유도다.
• 그 자유도를 보고서에 적어 두었는가. 논문의 셈에서 앞에 붙은 상수가 지워지는 것은 미분할 때뿐이고, 읽는 사람에게는 얼마나 넓게 뒤졌는지가 그대로 필요하다.
• 신호가 약한 쪽인가 센 쪽인가. 약할수록 편향이 크고 탐색 범위까지 값에 들어온다. 눈에 겨우 띄는 이상 신호일수록 더 의심해야 한다는 뜻이다.

세어 본 개수를 곧바로 D에 넣어도 되느냐는 물음에는 논문이 미리 단서를 달아 두었다. 폭이나 세기처럼 음수가 될 수 없는 값이 끼면 그쪽 접선 방향이 잘려 나가고, 서로 거의 같은 구실을 하는 변수가 둘 있으면 실질적으로 독립인 방향의 수가 그만큼 줄어든다. 그래서 명목상의 D를 경계와 중복을 반영한 유효 차원으로 바꿔야 할 수 있다고 저자는 남은 과제에 적었다. 세어 본 개수는 답이라기보다 상한에 가깝다.

탐색의 자유도를 세지 않으면 발견은 언제나 조금씩 크다. 얼마나 큰지는 셀 수 있고, 이 논문은 그 값이 어디서 오는지를 한 줄로 적어 두었다.

여기까지 읽어 주신 데 감사드린다. 원문은 arXiv:2609.03581에서 볼 수 있고, 이 글의 수치는 논문 3·6·8·9·10·11절에서, 750 GeV 유의도는 ATLAS와 CMS의 2016년 논문 초록에서 직접 확인했다. 탐색 자유도를 보고서에 적어 두는 방식을 이미 갖춘 팀이 있다면 어떤 항목을 남기는지 나눠 주시면 좋겠다.

핵심 논문

• 1.Dorigo, T. (2026). "The Greedy Bump Bias: Local Profiling Geometry and the Look-Elsewhere Effect." arXiv:2609.03581.

선행 연구

• 2.Siegmund, D. O., Worsley, K. J. (1995). "Testing for a Signal with Unknown Location and Scale in a Stationary Gaussian Random Field." The Annals of Statistics 23(2), 608–639. doi.org/10.1214/aos/1176324539 — 2.2절, 양쪽 계산이 이미 한 논문에 들어 있던 선행 사례.
• 3.Gross, E., Vitells, O. (2010). "Trial Factors for the Look Elsewhere Effect in High Energy Physics." The European Physical Journal C 70, 525–530. doi.org/10.1140/epjc/s10052-010-1470-8 — 2절, 시행 계수의 고임계 근사와 전역 다중도·국소 최적화 구분.
• 4.Green, A., Taylor, J. (2025). "Inference for Location and Height of Peaks of a Standardized Field after Selection." arXiv:2512.04059 — 2.4절, 저자가 가장 가까운 선행 연구로 꼽은 칵-라이스 계산.
• 5.Vitells, O., Gross, E. (2011). "Estimating the Significance of a Signal in a Multi-Dimensional Search." Astroparticle Physics 35, 230–234. doi.org/10.1016/j.astropartphys.2011.08.005 — 2절, 다차원 탐색으로의 확장.
• 6.Zubeldia, Í., Rotti, A., Chluba, J., Battye, R. (2021). "Understanding Matched Filters for Precision Cosmology." MNRAS 507(4), 4852–4863. doi.org/10.1093/mnras/stab2461 — 2절, 같은 편향을 최적화 편향이라는 이름으로 체계화한 천문 쪽 연구.
• 7.Davies, R. B. (1987). "Hypothesis Testing When a Nuisance Parameter Is Present Only Under the Alternative." Biometrika 74(1), 33–43. doi.org/10.1093/biomet/74.1.33 — 2절, 문제를 처음 정식화한 통계 문헌.
• 8.Dorigo, T. (2009). "Bump Hunting II: The Greedy Bump Bias." Science 2.0 블로그, 2009년 4월 25일 — 1절, 이름이 처음 붙은 자리.

실험 보고

• 9.ATLAS Collaboration (2016). "Search for Resonances in Diphoton Events at √s = 13 TeV with the ATLAS Detector." JHEP 2016(9), 001. arXiv:1606.03833 — 2절, 국소 3.9σ와 전역 2.1σ의 출처.
• 10.CMS Collaboration (2016). "Search for Resonant Production of High-Mass Photon Pairs in Proton-Proton Collisions at √s = 8 and 13 TeV." arXiv:1606.04093 — 2절, 국소 3.4σ와 전역 1.6σ의 출처.