Fugu-MT 論文翻訳(概要): Adversarial domain adaptation to reduce sample bias of a high energy physics classifier

論文の概要: Adversarial domain adaptation to reduce sample bias of a high energy physics classifier

arxiv url: http://arxiv.org/abs/2005.00568v2
Date: Thu, 19 Aug 2021 16:44:03 GMT
ステータス: 処理完了
システム内更新日: 2022-12-07 23:30:06.875817
Title: Adversarial domain adaptation to reduce sample bias of a high energy physics classifier
Title（参考訳）: 高エネルギー物理分類器のサンプルバイアス低減のための対向領域適応
Authors: Jose M. Clavijo and Paul Glaysher and Judith M. Katzy and Jenia Jitsev
Abstract要約: 我々は、信号と背景イベントの分類を可能にするために、勾配反転層を持つイベントとドメインの分類器を含むニューラルネットワークを利用する。背景分類は$tbartH$と$tbartbbarb$である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We apply adversarial domain adaptation in unsupervised setting to reduce sample bias in a supervised high energy physics events classifier training. We make use of a neural network containing event and domain classifier with a gradient reversal layer to simultaneously enable signal versus background events classification on the one hand, while on the other hand minimising the difference in response of the network to background samples originating from different MC models via adversarial domain classification loss. We show the successful bias removal on the example of simulated events at the LHC with $t\bar{t}H$ signal versus $t\bar{t}b\bar{b}$ background classification and discuss implications and limitations of the method
Abstract（参考訳）: 高エネルギー物理学イベント分類訓練において,非教師なし設定で逆領域適応を適用し,サンプルバイアスを低減させる。一方,直交領域分類の損失によって異なるMCモデルから派生した背景サンプルに対するネットワークの応答の差を最小限に抑えつつ,信号と背景イベントの分類を同時に行うために,勾配反転層を有するイベントとドメイン分類器を含むニューラルネットワークを利用する。 LHCにおいて$t\bar{t}H$ signal vs $t\bar{t}b\bar{b}$ background classification を用いたシミュレーションイベントの例において、バイアス除去の成功例を示し、その方法の意味と限界について議論する。

関連論文リスト

Domain Generalization Guided by Gradient Signal to Noise Ratio of Parameters [69.24377241408851]
ソースドメインへのオーバーフィッティングは、ディープニューラルネットワークの勾配に基づくトレーニングにおいて一般的な問題である。本稿では,ネットワークパラメータの勾配-信号-雑音比(GSNR)を選択することを提案する。
論文参考訳（メタデータ） (2023-10-11T10:21:34Z)
Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
論文参考訳（メタデータ） (2023-08-04T09:11:07Z)
CHATTY: Coupled Holistic Adversarial Transport Terms with Yield for Unsupervised Domain Adaptation [1.87446486236017]
我々はCHATTYと呼ばれる新しい手法を提案する。敵対的トレーニングは、ニューラルネットワークの特徴抽出層をトレーニングするために、ドメイン判別器ヘッドからの勾配を反転させることで、ドメイン不変表現の学習に一般的に使用される。本稿では,ソースとターゲットドメインの出力を学習可能な方法で置き換えるサブネットワークを提案する。
論文参考訳（メタデータ） (2023-04-19T13:00:23Z)
Learning GFlowNets from partial episodes for improved convergence and stability [56.99229746004125]
生成フローネットワーク(GFlowNets)は、非正規化対象密度の下で離散オブジェクトのシーケンシャルサンプリングを訓練するアルゴリズムである。 GFlowNetsの既存のトレーニング目的は、状態または遷移に局所的であるか、あるいはサンプリング軌道全体にわたって報酬信号を伝達する。強化学習におけるTD($lambda$)アルゴリズムにインスパイアされたサブトラジェクティブバランス(subtrajectory balance, SubTB($lambda$)を導入する。
論文参考訳（メタデータ） (2022-09-26T15:44:24Z)
A Semantic Consistency Feature Alignment Object Detection Model Based on Mixed-Class Distribution Metrics [10.055012340371505]
教師なしのドメイン適応は、オブジェクト検出、インスタンスのセグメンテーションなど、様々なコンピュータビジョンタスクにおいて重要である。ドメイン適応オブジェクト検出では、画像レベルとインスタンスレベルのシフトを調整して、最終的にドメインの相違を最小化しようとする試みが行われた。オブジェクト検出のための混合クラス$H-divergence$を提案する。
論文参考訳（メタデータ） (2022-06-12T15:14:45Z)
Regularization by Misclassification in ReLU Neural Networks [3.288086999241324]
SGDの変種によって訓練されたReLUニューラルネットワークの暗黙バイアスについて検討し、各ステップで確率$p$でラベルをランダムラベルに変更する。ラベルノイズは、典型的な入力の場合、少数のニューロンがアクティブであり、隠れた層の発火パターンはスペーサーである。
論文参考訳（メタデータ） (2021-11-03T11:42:38Z)
Adversarial Examples Detection with Bayesian Neural Network [57.185482121807716]
本稿では,ランダムな成分が予測器の滑らかさを向上できるという観測によって動機づけられた敵の例を検出するための新しい枠組みを提案する。本稿では,BATer を略した新しいベイズ対向型サンプル検出器を提案し,対向型サンプル検出の性能を向上させる。
論文参考訳（メタデータ） (2021-05-18T15:51:24Z)
Analyzing Overfitting under Class Imbalance in Neural Networks for Image Segmentation [19.259574003403998]
画像分割では、ニューラルネットワークは小さな構造物の前景サンプルに過剰に適合する可能性がある。本研究では,ネットワークの動作を検査することにより,クラス不均衡下でのオーバーフィッティング問題に対する新たな知見を提供する。
論文参考訳（メタデータ） (2021-02-20T14:57:58Z)
Shaping Deep Feature Space towards Gaussian Mixture for Visual Classification [74.48695037007306]
視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
論文参考訳（メタデータ） (2020-11-18T03:32:27Z)
A Transductive Multi-Head Model for Cross-Domain Few-Shot Learning [72.30054522048553]
本稿では,クロスドメインなFew-Shot学習問題に対処するため,TMHFS(Transductive Multi-Head Few-Shot Learning)を提案する。提案手法は, 4つの異なる対象領域において, 強いベースライン, 微調整を著しく上回っている。
論文参考訳（メタデータ） (2020-06-08T02:39:59Z)

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。