論文の概要: Variational Autoencoders for Anomalous Jet Tagging
- arxiv url: http://arxiv.org/abs/2007.01850v3
- Date: Mon, 15 Feb 2021 18:54:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 06:15:22.124062
- Title: Variational Autoencoders for Anomalous Jet Tagging
- Title(参考訳): 異常ジェットタグのための変分オートエンコーダ
- Authors: Taoli Cheng, Jean-Fran\c{c}ois Arguin, Julien Leissner-Martin,
Jacinthe Pilette, Tobias Golling
- Abstract要約: 本研究では,大型ハドロン衝突型加速器における異常ジェットタグ付けのための変分オートエンコーダ(VAE)について詳細に検討する。
VAEは、潜在空間における表現力のある後部分布を学習しながら、ジェットを再構成するための重要な情報を符号化することができる。
本稿では,学習過程にサンプルを導入し,学習情報をガイドするOutlier Exposed VAEを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a detailed study on Variational Autoencoders (VAEs) for anomalous
jet tagging at the Large Hadron Collider. By taking in low-level jet
constituents' information, and training with background QCD jets in an
unsupervised manner, the VAE is able to encode important information for
reconstructing jets, while learning an expressive posterior distribution in the
latent space. When using the VAE as an anomaly detector, we present different
approaches to detect anomalies: directly comparing in the input space or,
instead, working in the latent space. In order to facilitate general search
approaches such as bump-hunt, mass-decorrelated VAEs based on distance
correlation regularization are also studied. We find that the naive
mass-decorrelated VAEs fail at maintaining proper detection performance, by
assigning higher probabilities to some anomalous samples. To build a performant
mass-decorrelated anomalous jet tagger, we propose the Outlier Exposed VAE
(OE-VAE), for which some outlier samples are introduced in the training process
to guide the learned information. OE-VAEs are employed to achieve two goals at
the same time: increasing sensitivity of outlier detection and decorrelating
jet mass from the anomaly score. We succeed in reaching excellent results from
both aspects. Code implementation of this work can be found at
\href{https://github.com/taolicheng/VAE-Jet}{Github}.
- Abstract(参考訳): 本研究では,大型ハドロン衝突型加速器における異常ジェットタグ付けのための変分オートエンコーダ(VAE)について詳細に検討する。
低レベルジェット構成員の情報を取り込み、背景qcdジェットを教師なしで訓練することにより、vaeは潜在空間における表現力のある後方分布を学習しながら、ジェットを再構築するための重要な情報をエンコードすることができる。
VAEを異常検出器として使用する場合、入力空間で直接比較するか、潜時空間で動作させるかという、さまざまな方法で異常を検出する。
バンプハントのような一般探索アプローチを容易にするために,距離相関正規化に基づく質量相関vaesについても検討した。
その結果, 異常な試料に対して高い確率を割り当てることで, 検出性能の維持に失敗することがわかった。
そこで本研究では,OE-VAE(Outlier Exposed VAE)をトレーニングプロセスに導入し,学習情報を誘導する手法を提案する。
oe-vaeは、異常検出の感度の向上と異常スコアからのジェット質量の分離の2つの目標を同時に達成するために使用される。
両面から優れた結果を得ることに成功した。
この作業のコード実装は \href{https://github.com/taolicheng/VAE-Jet}{Github} で見ることができる。
関連論文リスト
- Anomaly Detection via Autoencoder Composite Features and NCE [1.2891210250935148]
オートエンコーダ(AE)または生成モデルは、通常入力のデータ分布をモデル化するためにしばしば使用される。
ノイズコントラスト推定(NCE)を訓練したAEと確率モデルの両方が異常検出を行うための非結合型トレーニング手法を提案する。
論文 参考訳(メタデータ) (2025-02-04T01:29:22Z) - Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。
モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。
さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
論文 参考訳(メタデータ) (2024-10-16T07:48:53Z) - Unsupervised Out-of-Distribution Detection by Restoring Lossy Inputs
with Variational Autoencoder [3.498694457257263]
OOD検出のための新しいVAEベースのスコアであるError Reduction(ER)を提案する。
ERは、トレーニングセットの損失バージョンを入力として、元のセットをターゲットとして、VAEに基づいています。
論文 参考訳(メタデータ) (2023-09-05T09:42:15Z) - What do we learn? Debunking the Myth of Unsupervised Outlier Detection [9.599183039166284]
自動エンコーダが2つの異なるタスクを解く際に実際に何を学ぶかを検討する。
現状のSOTA (State-of-the-art) AEsは潜伏多様体を制約できず、異常パターンの復元ができないか、潜伏分布から正確に入力を復元できないかを示す。
本稿では,新しい変形可能なオートエンコーダ(AEMorphus)を提案する。
論文 参考訳(メタデータ) (2022-06-08T06:36:16Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳(メタデータ) (2021-09-08T14:07:55Z) - DASVDD: Deep Autoencoding Support Vector Data Descriptor for Anomaly
Detection [9.19194451963411]
半教師付き異常検出は、通常のデータに基づいて訓練されたモデルを用いて、通常のサンプルから異常を検出することを目的としている。
本稿では,自己エンコーダのパラメータを協調的に学習する手法であるDASVDDを提案する。
論文 参考訳(メタデータ) (2021-06-09T21:57:41Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳(メタデータ) (2021-05-30T22:07:13Z) - Autoencoders for unsupervised anomaly detection in high energy physics [105.54048699217668]
QCDジェット画像の背景にあるトップジェット画像のタグ付けについて検討する。
標準オートエンコーダ設定をモデル非依存の異常タガーとはみなせないことを示す。
モデル非依存異常検出の課題に対する性能改善策を提案する。
論文 参考訳(メタデータ) (2021-04-19T05:06:57Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳(メタデータ) (2020-03-24T08:26:58Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z)
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。