論文の概要、ライセンス

# (参考訳) 素粒子物理学のための機械学習のリビングレビュー [全文訳有]

A Living Review of Machine Learning for Particle Physics ( http://arxiv.org/abs/2102.02770v1 )

ライセンス: CC BY 4.0
Matthew Feickert and Benjamin Nachman(参考訳) ディープラーニングを含む現代の機械学習技術は急速に応用され、適応され、高エネルギー物理学のために開発されている。 この研究の速いペースを考えると、我々は実験、現象学、または理論的分析にこれらのアプローチを開発し、適用する人々のための引用のほぼ包括的なリストを提供することを目標に生きたレビューを作成しました。 生きた文書として、最新の開発を取り入れるためにできるだけ頻繁に更新されます。 適切な(曖昧な)レビューのリストは、内部で見ることができる。 論文は、可能な限り有用なトピックの小さなセットにグループ化されます。 提案と貢献が最も歓迎され、参加の指示を提供します。

Modern machine learning techniques, including deep learning, are rapidly being applied, adapted, and developed for high energy physics. Given the fast pace of this research, we have created a living review with the goal of providing a nearly comprehensive list of citations for those developing and applying these approaches to experimental, phenomenological, or theoretical analyses. As a living document, it will be updated as often as possible to incorporate the latest developments. A list of proper (unchanging) reviews can be found within. Papers are grouped into a small set of topics to be as useful as possible. Suggestions and contributions are most welcome, and we provide instructions for participating.
公開日: Tue, 2 Feb 2021 04:39:40 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
1 2 0 2 b e F 2 1 2 0 2 b e F 2 0.85
] h pp e h [ ] h pp e h [ 0.85
1 v 0 7 7 2 0 1 v 0 7 7 2 0 0.85
. 2 0 1 2 : v i X r a . 2 0 1 2 : v i X r a 0.85
A Living Review of Machine Learning for Particle Physics 素粒子物理学のための機械学習のリビングレビュー 0.75
Matthew Feickert1, ∗ and Benjamin Nachman2, 3, † Matthew Feickert1 と Benjamin Nachman2, 3, です。 0.87
1Department of Physics, University of Illinois at Urbana-Champaign 第1部 イリノイ大学アーバナシャンペーン校物理学部 0.68
2Physics Division, Lawrence Berkeley National Laboratory ローレンス・バークレー国立研究所 2Physics Division 0.77
3Berkeley Institute for Data Science, University of California 3Berkeley Institute for Data Science, University of California 0.94
(Dated: February 5, 2021) (年代:2021年2月5日) 0.67
Modern machine learning techniques, including deep learning, are rapidly being applied, adapted, and developed for high energy physics. ディープラーニングを含む現代の機械学習技術は急速に応用され、適応され、高エネルギー物理学のために開発されている。
訳抜け防止モード: ディープラーニングを含む現代の機械学習技術が急速に応用されている。 高エネルギー物理学に適応し 開発しました
0.72
Given the fast pace of this research, we have created a living review with the goal of providing a nearly comprehensive list of citations for those developing and applying these approaches to experimental, phenomenological, or theoretical analyses. この研究の速いペースを考えると、我々は実験、現象学、または理論的分析にこれらのアプローチを開発し、適用する人々のための引用のほぼ包括的なリストを提供することを目標に生きたレビューを作成しました。 0.61
As a living document, it will be updated as often as possible to incorporate the latest developments. 生きた文書として、最新の開発を取り入れるためにできるだけ頻繁に更新されます。 0.78
A list of proper (unchanging) reviews can be found within. 適切な(曖昧な)レビューのリストは、内部で見ることができる。 0.56
Papers are grouped into a small set of topics to be as useful as possible. 論文は、可能な限り有用なトピックの小さなセットにグループ化されます。 0.80
Suggestions and contributions are most welcome, and we provide instructions for participating. 提案と貢献が最も歓迎され、参加の指示を提供します。 0.74
I. INTRODUCTION Machine learning (ML) is a generic term used to describe any automated inference procedure, broadly defined. 私。 導入 機械学習(ML)は、あらゆる自動推論手順を広く定義する一般的な用語である。 0.65
As such, machine learning plays a key role in nearly all areas of high energy physics (HEP). そのため、機械学習は高エネルギー物理学(HEP)のほぼすべての領域において重要な役割を果たす。 0.78
Traditionally, machine learning has been synonymous with “multivariate techniques”, with Boosted Decision Trees as the community favorite method and TMVA [1] as the community favorite tool. 伝統的に、機械学習は「多変量技術」の代名詞であり、Boosted Decision Treesはコミュニティのお気に入りメソッド、TMVA [1]はコミュニティのお気に入りツールです。 0.70
The set of methods and tools commonly used in HEP has grown significantly in recent years as a result of the deep learning revolution. 近年,ディープラーニング革命の結果として,HEPで一般的に使用される手法やツールのセットが著しく成長している。 0.75
With the rapid development of research at the intersection of machine learning and HEP, it is difficult to follow the latest developments. 機械学習とHEPの交差点における研究の急速な発展に伴い、最新の開発に従うことは困難です。 0.80
This is a challenge for new researchers to integrate into the field and also for seasoned practitioners to put their work into the context of the existing literature. これは、新しい研究者が分野に統合し、熟練した実践者が既存の文学の文脈に自分の仕事を入れるための挑戦です。 0.80
To help solve this challenge, we have created a review of ML for HEP with the goal of providing a nearly comprehensive list of citations for papers that develop and apply ML to experimental, phenomenological, or theoretical analyses. この課題を解決するため、我々はML for HEPのレビューを作成し、MLを実験的、現象学的、理論的分析に発展させ応用する論文のほぼ包括的な引用リストを提供することを目標にしている。 0.67
In order to be comprehensive and remain useful, this review is living in the sense that it is continuously updated and is open for community contributions. 包括的で有用であるために、このレビューは継続的に更新され、コミュニティの貢献に対してオープンであるという意味で生きている。 0.59
The Living Review (https://github.com/ iml-wg/HEPML-LivingR eview) also includes a list of “normal” (unchanging) reviews within. リビングレビュー (https://github.com/ iml-wg/HEPML-LivingR eview) にも "正規" (ハングング) レビューのリストが含まれている。 0.53
The remainder of the references are organized into a small number of topics to make searching through them efficient for the user. 残りの参照は少数のトピックに編成され、ユーザにとって効率的な検索を可能にする。 0.69
Papers may be referenced in more than one category. 論文は複数のカテゴリーで参照することができる。 0.74
The fact that a paper is listed in the review does not endorse or validate 論文がレビューに載っているという事実は支持または検証しない 0.74
∗ matthew.feickert@cer n.ch † bpnachman@lbl.gov matthew.feickert@cer n.ch と bpnachman@lbl.gov 0.66
its content — that is for the community (and for peer-review) to decide. そのコンテンツ ― コミュニティのために(そしてピアレビューのために)決定する。 0.70
Furthermore, the classification is a best attempt and may have flaws and community input is requested if (a) we have missed a paper you think should be included, (b) a paper has been misclassified, or (c) a citation for a paper is not correct or if the journal information is now available. さらに、この分類は最良の試みであり、(a)紙を含まないと思われた場合、(b)論文が誤って分類された場合、または(c)論文の引用が正確でない場合、または、ジャーナル情報が利用可能になった場合、コミュニティインプットが要求される。 0.75
The review is built automatically from the contents of the Git repository on GitHub using LATEX focused continuous integration services and after passing validation checks PDF and Markdown versions, seen respectively in Fig. レビューは、latexにフォーカスした継続的インテグレーションサービスを使用してgithubのgitリポジトリのコンテンツから自動的に構築され、バリデーションチェックのpdfとmarkdownバージョンをパスした後、それぞれfigで見られる。 0.67
1 and Fig. 2, are automatically deployed through continuous delivery to a web accessible area on GitHub. 1およびfig。 継続的デリバリを通じて、github上のwebアクセス可能な領域に自動的にデプロイされる。 0.53
In addition to providing a living PDF hosted on GitHub, we also provide a corresponding BibTeX file that anyone can use when they write new papers. GitHubでホストされている生きたPDFを提供するだけでなく、新しい論文を書くときに誰でも使えるBibTeXファイルも提供しています。 0.75
Please check back before you post your own paper to arXiv to ensure that you have the latest updates. 最新の更新を確実にするために、自分の論文をarXivに投稿する前に確認してください。
訳抜け防止モード: 事前にご確認ください。 最新の更新を確実にするために、独自の論文を arXiv に投稿します。
0.80
Note that this Living Review does not provide a review of machine learning in general. このリビングレビューは、機械学習全般のレビューを提供していないことに注意してください。 0.60
Some methods (e.g. いくつかの方法(例) 0.65
Generative Adversarial Networks [2]) have citations within the Living Review, but we encourage you to look elsewhere for original research and reviews in areas of pure and applied machine learning outside of HEP. Generative Adversarial Networks [2])は、Living Reviewの中で引用されているが、HEP以外の純粋で応用された機械学習の領域において、オリジナルの研究とレビューを他で探すことを推奨する。 0.73
The purpose of this paper is to briefly introduce the structure of the Living Review (Sec. 本論文の目的は,リビングレビュー(Sec)の構造を簡潔に紹介することにある。 0.79
II) and describe how to contribute (Sec. II) コントリビューションの方法を説明します。 0.51
III). The note ends with outlook (Sec. III)。 注記はOutlook(Sec.)で終わる。 0.69
IV) and conclusions (Sec. IV)と結論(第2。 0.69
V). Furthermore, it will serve as an unchanging reference to the review, which may be useful in some cases. V)。 さらに、レビューに対する変更のない参照として機能し、場合によっては有用かもしれない。 0.69
II. CATEGORIES Organizing papers into topics is critical for discoverability. II。 カテゴリー 論文をトピックに整理することは発見可能性にとって重要だ。 0.60
Most papers do not provide keywords and often do not specify enough information in their title and/or abstract to be automatically categorized. ほとんどの論文はキーワードを提供しておらず、タイトルや要約に十分な情報を自動的に分類することができないことが多い。 0.66
英語(論文から抽出)日本語訳スコア
Therefore, we have proposed a list of categories and manually place papers into groups. そこで,我々はカテゴリのリストを提案し,手作業で文書をグループ化する。 0.76
A single paper can be in more than one group. 単一のペーパーは複数のグループにあることができます。 0.76
As with all parts of the review, the categorized are alive and may change and expand as the field evolves. レビューのすべての部分と同様に、分類は生きており、フィールドが進化するにつれて変化し拡大する可能性がある。 0.58
Categories include Classification, Regression, Generation, Anomaly Detection, and more. カテゴリには、分類、回帰、生成、異常検出などが含まれる。 0.74
Furthermore, sub-categories are provided in some cases when there are multiple research directions within a particular category. さらに、サブカテゴリは、特定のカテゴリ内に複数の研究方向がある場合に提供される。 0.75
We have also provided brief descriptions for each category and sub-category, as illustrated in Fig. 図に示すように、各カテゴリとサブカテゴリの簡単な説明も提供しました。 0.76
1. 2 tions, the review also benefits from community involvement. 1. 2 tionsやレビューもコミュニティの関与から恩恵を受けている。 0.72
Anyone may — and frequent contributors have — submit a new paper or document to the review in the form of a contribution through a pull request (PR) to the review’s GitHub project. 誰でも、そして頻繁にコントリビュータが、レビューのGitHubプロジェクトにプルリクエスト(PR)を通じてコントリビューションの形で、新しい論文やドキュメントをレビューに提出することができます。 0.61
To help steer new contributions and ensure a smooth PR process and review with the maintainers, a contributions guide is located in the project’s Git repository in the form of a “CONTRIBUTING.md” document, seen partially in Fig. 新しいコントリビューションの管理を支援し、メンテナとのスムーズなprプロセスとレビューを確実にするために、コントリビューションガイドがプロジェクトのgitリポジトリにあり、一部はfigで見られる“contributing.md”ドキュメントである。 0.67
3 — a project staple in the Open Source community. オープンソースプロジェクトは、オープンソースコミュニティの定番プロジェクトです。 0.68
The contributing guide gives detailed instruction and examples on the recommended procedures and software workflow to make revisions and additions, and additionally addresses frequently asked questions new contributors may have. コントリビューションガイドでは、リビジョンと追加を行うための推奨手順とソフトウェアワークフローに関する詳細な説明とサンプルが提供されている。 0.63
FIG. 1. A snapshot of the PDF form of the review, which includes descriptions for each category and sub-category. FIG。 1. レビューのPDF形式のスナップショットには、各カテゴリとサブカテゴリの説明が含まれている。 0.80
FIG. 2. A snapshot of the Markdown website form of the review, with topic papers hyperlinked to their references and, when available, DOIs. FIG。 2. レビューのMarkdownウェブサイトフォームのスナップショットで、トピック論文が参照にハイパーリンクされ、利用可能な場合はDOIになります。 0.74
III. CONTRIBUTING In addition to being a living document that is updated on demand with the release of new publica- III。 貢献 ニュー・パブリダの公開に伴う需要に応じて更新された生きた文書であることに加えて 0.65
FIG. 3. A snapshot of the CONTRIBUTING.md document detailing the guidelines for contributions from nonmaintainers to the review. FIG。 3. レビューへの貢献に関するガイドラインを詳述したcontribution.md文書のスナップショット。 0.74
IV. FUTURE PLANS Suggestions for new features can be submitted to the Living Review by creating a GitHub issue as documented in the project’s CONTRIBUTING.md. IV。 未来計画 新機能の提案は、プロジェクトのCONTRIBUTING.mdに文書化されたGitHubイシューを作成することで、Living Reviewに提出することができる。 0.65
There are already several key features that we would like to add in the future, mostly related with various levels of automation. すでに、さまざまなレベルの自動化に関連して、将来追加したいいくつかの重要な機能があります。 0.77
The most basic update we want to add is to automatically update paper references. 最も基本的なアップデートは、論文参照を自動的に更新することです。 0.76
Papers are mostly added to the Living Review when they are posted to arXiv. 論文は、主に arXiv に投稿されたときに Living Review に追加されます。 0.80
Journal references are currently only added in an ad-hoc fashion. ジャーナル参照は現在、アドホックな方法でのみ追加されている。 0.46
One way this could be implemented is to be synched with Inspire following the links from the preprints. この実装の1つの方法は、プレプリントからのリンクに従ってInspireとシンチできることだ。
訳抜け防止モード: これが実現可能な方法の1つは プレプリントからのリンクに従ってInspireと同期する。
0.61
This will not work for all papers, as they are not all listed on arXiv arXivにリストされているわけではないため、これはすべての論文では機能しません。 0.68
英語(論文から抽出)日本語訳スコア
3 and may not be listed on Inspire. 3 Inspireに載っていない場合があります。 0.76
The longer term vision is for some parts of the daily update to be automated. 長期的なビジョンは、毎日のアップデートの一部が自動化されることだ。 0.79
It seems unlikely that this can be completely automated given the rapidly changing nature of the field (and thus what constitutes the field), but certainly quires for some key words may be able to catch a significant fraction of new papers posted to arXiv. フィールドの性質が急速に変化する(したがって、フィールドを構成するもの)ことを考えると、これは完全に自動化できるとは思えないが、いくつかの重要な単語のクェアは、arXivにポストされた新しい論文のかなりの部分を取得することができるかもしれない。
訳抜け防止モード: 急速に変化するフィールドの性質を考えると、これは完全に自動化できるとは思えない)。 ですから、フィールドを構成するもの) ですが、いくつかの重要な単語が arXivにポストされた新しい論文のかなりの部分を取得するためです。
0.75
V. CONCLUSIONS V.コンキュレーション 0.76
This paper has described the Living Review of Machine Learning for High Energy Physics. 本稿では,高エネルギー物理のための機械学習のリビングレビューについて述べる。 0.73
The review will continuously evolve as new papers are written in this area and we welcome and encourage community contributions to any aspect of the project. このレビューは、この領域で新しい論文が書かれるにつれて継続的に進化し、プロジェクトのあらゆる側面へのコミュニティの貢献を歓迎し、奨励します。 0.64
Machine learning holds great potential to significantly enhance the way we do HEP, both experimentally and theoretically, as is becoming welldocumented by the growing literature in this area. 機械学習は、実験的および理論的にHEPを行う方法を大幅に強化する大きな可能性を秘めています。
訳抜け防止モード: 機械学習は、HEPのやり方を大幅に強化する大きな可能性を秘めている。 実験的にも理論的にも この地域の文学が盛んになってきています
0.61
We hope that the Living Review is a useful tool to Living Reviewが役立つツールになることを願っています。 0.79
keep track of this rapid progress. この急速な進展を追跡しなさい。 0.70
ACKNOWLEDGMENTS We are grateful to the CERN Inter-Experimental LHC Machine Learning Working Group (IML) for supporting the Living Review initiative. 情報 我々は、リビング・レビュー・イニシアチブを支援するCERN Inter-Experimental LHC Machine Learning Working Group(IML)に感謝します。 0.50
We would like to particularly thank Loukas Gouskos, David Rousseau, Pietro Vischia, and Riccardo Torre who helped us define the scope of the Living Review project and have graciously agreed to allow the review to be hosted on the IML GitHub. Living Reviewプロジェクトのスコープを定義してくれたLoukas Gouskos氏、David Rousseau氏、Pietro Vischia氏、Riccardo Torre氏に感謝します。
訳抜け防止モード: 特にLoukas Gouskos、David Rousseauに感謝します。 ピエトロ・ヴィシュアとリカルド・トーレ Living Reviewプロジェクトのスコープを定義するのに役立ちました。 寛大に意見を一致させ レビューをIML GitHubにホストできるようにします。
0.70
We are also grateful to everyone in the HEP community has contributed to the review. 私たちはまた、HEPコミュニティの全員がレビューに貢献してくれたことに感謝しています。 0.56
We would also like to thank Martin Erdmann and Kyle Cranmer for their support and encouragement at the beginning of this project. また、このプロジェクトの開始時にMartin Erdmann氏とKyle Cranmer氏による支援と励ましに感謝します。 0.70
BN is supported by the Department of Energy, Office of Science under contract number DE-AC02-05CH11231. bnはエネルギー省の契約番号 de-ac02-05ch11231 で支持されている。 0.50
MF is supported in part by the National Science Foundation, under cooperative agreement OAC-1836650. MFは、部分的には国立科学財団が協力協定OAC-1836650の下で支援しています。 0.63
[1] A. Hoecker et al., TMVA - Toolkit for Multivariate Data Analysis (2007), arXiv:physics/070303 9 [physics.data-an]. [1] A. Hoecker et al., TMVA - Toolkit for Multivariate Data Analysis (2007), arXiv:physics/070303 9 [physics.data-an] 0.97
[2] I. J. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville, and [2] I. J. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair, A. Courville 0.84
Y. Bengio, Generative adversarial networks (2014), arXiv:1406.2661 [stat.ML]. Y. Bengio, Generative adversarial network (2014), arXiv:1406.2661 [stat.ML]. 0.88
       ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。