論文の概要: Simulation Assisted Likelihood-free Anomaly Detection

• arxiv url: http://arxiv.org/abs/2001.05001v1
• Date: Tue, 14 Jan 2020 19:00:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 13:28:51.854795
• Title: Simulation Assisted Likelihood-free Anomaly Detection
• Title（参考訳）: 確率自由異常検出支援シミュレーション
• Authors: Anders Andreassen, Benjamin Nachman, and David Shih
• Abstract要約: 本稿では,モデルに依存しない探索に両方のアプローチを最大限に活用するハイブリッド手法を提案する。 1つの特徴において共振性を持つポテンシャル信号に対して、この新しい手法は、まずパラメータ化再重み付け関数を学習し、与えられたシミュレーションを変形して、データをサイドバンドで整合させる。 重み付けされたシミュレーションによる背景推定により、分類に使用される特徴と共鳴特徴との間には非自明な相関が生じる。
• 参考スコア（独自算出の注目度）: 3.479254848034425
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given the lack of evidence for new particle discoveries at the Large Hadron Collider (LHC), it is critical to broaden the search program. A variety of model-independent searches have been proposed, adding sensitivity to unexpected signals. There are generally two types of such searches: those that rely heavily on simulations and those that are entirely based on (unlabeled) data. This paper introduces a hybrid method that makes the best of both approaches. For potential signals that are resonant in one known feature, this new method first learns a parameterized reweighting function to morph a given simulation to match the data in sidebands. This function is then interpolated into the signal region and then the reweighted background-only simulation can be used for supervised learning as well as for background estimation. The background estimation from the reweighted simulation allows for non-trivial correlations between features used for classification and the resonant feature. A dijet search with jet substructure is used to illustrate the new method. Future applications of Simulation Assisted Likelihood-free Anomaly Detection (SALAD) include a variety of final states and potential combinations with other model-independent approaches.
• Abstract（参考訳）: 大型ハドロン衝突型加速器(lhc)における新しい粒子の発見の証拠がないため、探索プログラムを拡大することが重要である。 様々なモデルに依存しない探索が提案され、予期せぬ信号に感度を加える。 一般に、シミュレーションに大きく依存する検索と、完全に(ラベル付けされていない)データに基づく検索の2つのタイプがある。 本稿では,両アプローチを最大限に活用するハイブリッド手法を提案する。 1つの特徴において共振性を持つポテンシャル信号に対して、この新しい手法は、まずパラメータ化再重み付け関数を学習し、与えられたシミュレーションを変形して、データをサイドバンドで整合させる。 この関数を信号領域に補間し、再重み付けされたバックグラウンドのみのシミュレーションを教師付き学習や背景推定に使用することができる。 再重み付けシミュレーションからの背景推定は、分類に用いられる特徴と共鳴特徴との間の非自明な相関を可能にする。 ジェットサブストラクチャーを用いたジジェットサーチを用いて新しい方法を示す。 SALAD(Simulation Assisted Likelihood-free Anomaly Detection)の今後の応用には、様々な最終状態と、他のモデルに依存しないアプローチとの潜在的な組み合わせが含まれる。

関連論文リスト

• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Simulation-based inference using surjective sequential neural likelihood estimation [50.24983453990065]
  主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。 データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
  論文  参考訳（メタデータ） (2023-08-02T10:02:38Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Maximum Likelihood Learning of Unnormalized Models for Simulation-Based Inference [44.281860162298564]
  シミュレーションベース推論のための2つの合成確率法を提案する。 本研究では,シミュレータによって生成された合成データを用いて,条件付きエネルギーベースモデル(EBM)を学習する。 本研究は, カニの神経科学ネットワークのモデルに適用し, 各種合成データセット上での両手法の特性を実証する。
  論文  参考訳（メタデータ） (2022-10-26T14:38:24Z)
• Learning Pair Potentials using Differentiable Simulations [1.9950682531209156]
  微分可能シミュレーション(DiffSim)を用いたデータからの対の相互作用の一般的な学習法を提案する。 DiffSimは分子動力学(MD)シミュレーションを通じて、放射分布関数のような構造的可観測関数に基づく損失関数を定義する。 相互作用ポテンシャルは直接勾配降下によって学習され、バックプロパゲーションを用いて構造損失計量の勾配を計算する。
  論文  参考訳（メタデータ） (2022-09-16T02:36:02Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Simulation-Assisted Decorrelation for Resonant Anomaly Detection [1.5675763601034223]
  異常検出に対する弱い、教師なしの機械学習アプローチが増えている。 例の1つは共鳴新しい物理学の探索であり、そこではバンプハントを不変質量スペクトルで行うことができる。 学習に最小限の原型シミュレーションを組み込むことにより,この問題に対する2つの解決策を探求する。
  論文  参考訳（メタデータ） (2020-09-04T14:02:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。