論文の概要: Simulation-Assisted Decorrelation for Resonant Anomaly Detection

• arxiv url: http://arxiv.org/abs/2009.02205v1
• Date: Fri, 4 Sep 2020 14:02:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 02:17:44.294386
• Title: Simulation-Assisted Decorrelation for Resonant Anomaly Detection
• Title（参考訳）: 共振異常検出のためのシミュレーション支援相関
• Authors: Kees Benkendorfer, Luc Le Pottier, and Benjamin Nachman
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.5675763601034223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A growing number of weak- and unsupervised machine learning approaches to anomaly detection are being proposed to significantly extend the search program at the Large Hadron Collider and elsewhere. One of the prototypical examples for these methods is the search for resonant new physics, where a bump hunt can be performed in an invariant mass spectrum. A significant challenge to methods that rely entirely on data is that they are susceptible to sculpting artificial bumps from the dependence of the machine learning classifier on the invariant mass. We explore two solutions to this challenge by minimally incorporating simulation into the learning. In particular, we study the robustness of Simulation Assisted Likelihood-free Anomaly Detection (SALAD) to correlations between the classifier and the invariant mass. Next, we propose a new approach that only uses the simulation for decorrelation but the Classification without Labels (CWoLa) approach for achieving signal sensitivity. Both methods are compared using a full background fit analysis on simulated data from the LHC Olympics and are robust to correlations in the data.
• Abstract（参考訳）: 大型ハドロン衝突型加速器や他の場所での探索プログラムを著しく拡張するために、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。 これらの方法の原型的な例の1つは共鳴新物理学の探索であり、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。 データに完全に依存する手法に対する大きな課題は、機械学習分類器の不変質量への依存から人工バンプを彫刻することの影響を受けやすいことである。 学習にシミュレーションを最小限に組み込むことで、この課題に対する2つの解決策を探求する。 特に,SALAD(Simulation Assisted Likelihood-free Anomaly Detection)のロバスト性について,分類器と不変質量との相関について検討した。 次に,ラベルなし分類法(cwola)による信号感度向上のために,非相関のシミュレーションのみを用いる新しい手法を提案する。 両手法は, LHCオリンピックのシミュレーションデータに対する全バックグラウンド適合解析を用いて比較し, 相関関係に頑健である。

関連論文リスト

• 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)
• Deep Generative Models for Detector Signature Simulation: A Taxonomic Review [0.0]
  粒子物理学検出器からの信号は衝突の物理を符号化する低レベル物体(エネルギー沈降や軌道など)である。 検出器におけるそれらの完全なシミュレーションは、計算と記憶集約的なタスクである。 我々は,検出器シグネチャのシミュレーションについて,既存の文献の包括的かつ徹底的な分類学的レビューを行う。
  論文  参考訳（メタデータ） (2023-12-15T08:27:39Z)
• Generalized Oversampling for Learning from Imbalanced datasets and Associated Theory [0.0]
  教師あり学習では、実際の不均衡なデータセットに直面することが多い。 本稿では,カーネル密度推定に基づくデータ拡張手法であるGOLIATHアルゴリズムを提案する。 我々は,不均衡な回帰状況下でのGOLIATHアルゴリズムの性能を評価する。
  論文  参考訳（メタデータ） (2023-08-05T23:08:08Z)
• 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)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Learning Mixtures of Low-Rank Models [89.39877968115833]
  低ランクモデルの計算混合を学習する問題について検討する。 ほぼ最適サンプルを用いて未知の行列を復元することが保証されるアルゴリズムを開発する。 さらに,提案アルゴリズムはランダムノイズに対して確実に安定である。
  論文  参考訳（メタデータ） (2020-09-23T17:53:48Z)
• Categorical anomaly detection in heterogeneous data using minimum description length clustering [3.871148938060281]
  異種データを扱うため,MPLに基づく異常検出モデルの拡張のためのメタアルゴリズムを提案する。 実験の結果, 離散混合モデルを用いることで, 従来の2つの異常検出アルゴリズムと比較して, 競合性能が向上することがわかった。
  論文  参考訳（メタデータ） (2020-06-14T14:48:37Z)
• 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)
• Correlation-aware Deep Generative Model for Unsupervised Anomaly Detection [9.578395294627057]
  教師なし異常検出は、高度に複雑で非構造的なデータから異常なサンプルを特定することを目的としている。 本稿では,Deep Gaussian Mixture Model (CADGMM) を用いた教師なし異常検出手法を提案する。 実世界のデータセットを用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-02-18T03:32:06Z)
• Simulation Assisted Likelihood-free Anomaly Detection [3.479254848034425]
  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。
  論文  参考訳（メタデータ） (2020-01-14T19:00:09Z)

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。