Fugu-MT 論文翻訳(概要): Jet Flavour Classification Using DeepJet

論文の概要: Jet Flavour Classification Using DeepJet

arxiv url: http://arxiv.org/abs/2008.10519v2
Date: Tue, 27 Oct 2020 21:39:30 GMT
ステータス: 処理完了
システム内更新日: 2022-10-25 12:35:48.127073
Title: Jet Flavour Classification Using DeepJet
Title（参考訳）: DeepJetを用いたジェットフラワー分類
Authors: Emil Bols, Jan Kieseler, Mauro Verzetti, Markus Stoye, Anna Stakia
Abstract要約: ジェットフレーバーの分類は、現代の高エネルギー物理実験において、幅広い応用において最も重要である。本稿では,現代のディープラーニング技術を活用した新しいアーキテクチャを提案する。 DeepJetと呼ばれるこの新しいモデルは、以前のアプローチに影響を及ぼした入力サイズの制限を克服する。
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: Jet flavour classification is of paramount importance for a broad range of applications in modern-day high-energy-physics experiments, particularly at the LHC. In this paper we propose a novel architecture for this task that exploits modern deep learning techniques. This new model, called DeepJet, overcomes the limitations in input size that affected previous approaches. As a result, the heavy flavour classification performance improves, and the model is extended to also perform quark-gluon tagging.
Abstract（参考訳）: ジェットフレーバーの分類は、現代の高エネルギー物理実験、特にLHCにおける幅広い応用において最も重要である。本稿では,現代的深層学習技術を活用したタスクのための新しいアーキテクチャを提案する。 DeepJetと呼ばれるこの新しいモデルは、以前のアプローチに影響を及ぼした入力サイズの制限を克服する。その結果,フレーバー分類性能が向上し,クォークグルーオンタグ付けを行うモデルが拡張された。

関連論文リスト

Finedeep: Mitigating Sparse Activation in Dense LLMs via Multi-Layer Fine-Grained Experts [82.74439280067492]
ファインディープ(英: Finedeep)は、高密度モデルのための、きめ細かいきめ細かなアーキテクチャである。我々のフレームワークは、従来の高密度モデルのフィードフォワードニューラルネットワーク層を小さな専門家に分割する。各専門家の貢献度を決定するための新しいルーティング機構が提案されている。
論文参考訳（メタデータ） (2025-02-18T15:09:58Z)
MERLOT: A Distilled LLM-based Mixture-of-Experts Framework for Scalable Encrypted Traffic Classification [19.476061046309052]
本稿では,暗号化されたトラフィック分類に最適化された蒸留大言語モデルのスケーラブルな混合実験(MoE)による改良について述べる。 10のデータセットの実験では、最先端モデルよりも優れた、あるいは競合的なパフォーマンスを示している。
論文参考訳（メタデータ） (2024-11-20T03:01:41Z)
A multicategory jet image classification framework using deep neural network [0.9350546589421261]
著者らは、粒子とジェットの特徴抽出によるジェットカテゴリー分離性に注目し、その結果、ジェット分類のための計算効率の良い解釈可能なモデルを生み出した。この研究は、分離可能な潜在空間で表される高次元データセットがジェット分類のためのより単純なアーキテクチャをもたらすことを示した。
論文参考訳（メタデータ） (2024-07-03T22:00:35Z)
Expressive and Generalizable Low-rank Adaptation for Large Models via Slow Cascaded Learning [55.5715496559514]
LoRA Slow Cascade Learning (LoRASC)は、LoRAの表現性と一般化能力を高めるために設計された革新的な技術である。提案手法は,混合低ランク適応を可能にするカスケード学習戦略により表現性を増強し,複雑なパターンをキャプチャするモデルの能力を高める。
論文参考訳（メタデータ） (2024-07-01T17:28:59Z)
Flow Matching Beyond Kinematics: Generating Jets with Particle-ID and Trajectory Displacement Information [0.0]
我々はJetClassデータセットでトレーニングされた最初の生成モデルを紹介する。本モデルでは, 構成レベルでジェットを発生させ, 流れマッチング法でトレーニングした変分同変連続正規化流(CNF)である。また,ジェット部品の運動特性を超越した生成モデルも導入した。
論文参考訳（メタデータ） (2023-11-30T19:00:02Z)
Fast Hierarchical Learning for Few-Shot Object Detection [57.024072600597464]
転送学習アプローチは、最近、数ショット検出タスクで有望な結果を得た。これらのアプローチは、ベース検出器の微調整による破滅的な忘れ込みの問題に悩まされる。この作業における上記の問題に対処する。
論文参考訳（メタデータ） (2022-10-10T20:31:19Z)
Class-incremental Novel Class Discovery [76.35226130521758]
クラス増進型新規クラス発見(class-iNCD)の課題について検討する。基本クラスに関する過去の情報を忘れないようにする,クラスiNCDのための新しい手法を提案する。 3つの共通ベンチマークで実施した実験により,本手法が最先端の手法を著しく上回ることを示した。
論文参考訳（メタデータ） (2022-07-18T13:49:27Z)
BIP: Boost Invariant Polynomials for Efficient Jet Tagging [0.0]
本稿では,ジェット表現のための新しい,汎用的で透明な枠組みを提案する。ジェットタグベンチマークの精度は高いが、訓練や評価は桁違いに高速である。
論文参考訳（メタデータ） (2022-07-17T19:46:42Z)
Powerpropagation: A sparsity inducing weight reparameterisation [65.85142037667065]
我々は、本質的にスパースモデルにつながるニューラルネットワークの新しい重みパラメータ化であるPowerpropagationを紹介した。この方法で訓練されたモデルは同様の性能を示すが、0で明らかに高い密度の分布を持ち、より多くのパラメータを安全に刈り取ることができる。ここでは、Powerpropagationと従来のウェイトプルーニング技術と、最近の最先端スパース・トゥ・スパースアルゴリズムを組み合わせることで、ImageNetベンチマークで優れたパフォーマンスを示す。
論文参考訳（メタデータ） (2021-10-01T10:03:57Z)
Knowledge Distillation: A Survey [87.51063304509067]
ディープニューラルネットワークは、特にコンピュータビジョンタスクにおいて、産業と学術の両方で成功している。リソースが限られているデバイスに、これらの面倒なディープモデルをデプロイすることは難しい。知識蒸留は、大きな教師モデルから小さな学生モデルを効果的に学習する。
論文参考訳（メタデータ） (2020-06-09T21:47:17Z)
Wind Speed Prediction using Deep Ensemble Learning with a Jet-like Architecture [0.28675177318965034]
ジェットの翼、尾、鼻のデザインは空気力学を改善し、ジェットの滑らかで制御された飛行をもたらす。ベースレグレッタの多様な特徴空間は、ジェットのようなアンサンブルアーキテクチャを用いて活用される。提案したDEL-Jet技術は,10個の独立した動作に対して評価され,深層およびジェット様のアーキテクチャが学習システムの堅牢性と一般化に有効であることを示す。
論文参考訳（メタデータ） (2020-02-28T08:33:41Z)

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。