Fugu-MT 論文翻訳(概要): Extracting Signals of Higgs Boson From Background Noise Using Deep Neural Networks

論文の概要: Extracting Signals of Higgs Boson From Background Noise Using Deep Neural Networks

arxiv url: http://arxiv.org/abs/2010.08201v1
Date: Fri, 16 Oct 2020 07:19:39 GMT
ステータス: 処理完了
システム内更新日: 2022-10-06 20:57:56.548938
Title: Extracting Signals of Higgs Boson From Background Noise Using Deep Neural Networks
Title（参考訳）: ディープニューラルネットワークを用いた背景雑音からのヒッグス粒子の信号抽出
Authors: Muhammad Abbas, Asifullah Khan, Aqsa Saeed Qureshi, Muhammad Waleed Khan
Abstract要約: 本研究では、ランダムフォレスト、オートエンコーダ、ディープオートエンコーダを組み合わせたヒッグス信号分類を提案する。結果は、個人のリーダーボードに良質な差別力を示す。
参考スコア（独自算出の注目度）: 3.4983716329137353
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Higgs boson is a fundamental particle, and the classification of Higgs signals is a well-known problem in high energy physics. The identification of the Higgs signal is a challenging task because its signal has a resemblance to the background signals. This study proposes a Higgs signal classification using a novel combination of random forest, auto encoder and deep auto encoder to build a robust and generalized Higgs boson prediction system to discriminate the Higgs signal from the background noise. The proposed ensemble technique is based on achieving diversity in the decision space, and the results show good discrimination power on the private leaderboard; achieving an area under the Receiver Operating Characteristic curve of 0.9 and an Approximate Median Significance score of 3.429.
Abstract（参考訳）: ヒッグス粒子は基本粒子であり、ヒッグス信号の分類は高エネルギー物理学においてよく知られた問題である。ヒッグス信号の識別は、その信号が背景信号と類似しているため、難しい課題である。本研究では,無作為な森林,オートエンコーダ,ディープオートエンコーダを組み合わせたヒッグス信号分類手法を提案し,背景雑音からヒッグス信号を識別する頑健で一般化されたヒッグス粒子予測システムを構築した。提案するアンサンブル手法は, 意思決定空間における多様性の達成と, 個人のリーダーボード上での優れた識別力, 受信者動作特性曲線0.9と近似メディア意義スコア3.429の領域の達成に基づく。

関連論文リスト

RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
本稿では、新しいデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。まず、干渉除去アルゴリズムの開発と解析の基礎となる洞察に富んだ信号モデルを提案する。第2に,さまざまなRF信号とコードテンプレートを備えた公開データセットであるRF Challengeを紹介する。第3に,UNetやWaveNetなどのアーキテクチャにおいて,新しいAIに基づく拒絶アルゴリズムを提案し,その性能を8種類の信号混合タイプで評価する。
論文参考訳（メタデータ） (2024-09-13T13:53:41Z)
Toward Model-Agnostic Detection of New Physics Using Data-Driven Signal Regions [0.24578723416255752]
高エネルギー物理学における新しい粒子の探索において、信号領域(SR)を選択することが重要である。本稿では,信号イベントの局所的トポロジについて,モデルに依存しないがしばしば現実的な仮定に基づいて構築する手法を提案する。本研究では,信号イベントの高部分に集中する高次元特徴空間において,データ駆動型SRを効率的に同定できることを実証する。
論文参考訳（メタデータ） (2024-09-11T02:49:53Z)
Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
論文参考訳（メタデータ） (2023-11-02T12:47:49Z)
A Deep Neural Network Based Reverse Radio Spectrogram Search Algorithm [0.0]
ラジオスペクトログラムデータに注目するルックアライズな信号を探すために,高速かつモジュール化されたディープラーニングアルゴリズムを提案する。このアルゴリズムは、元のラジオスペクトログラムデータのみを考慮し、類似した外観の信号を検索する。
論文参考訳（メタデータ） (2023-02-24T04:28:46Z)
Toward deep-learning-assisted spectrally-resolved imaging of magnetic noise [52.77024349608834]
本研究では,基礎となるゆらぎ磁場のスペクトル密度を効率的に再構成するディープニューラルネットワークを実装した。これらの結果は、色中心に基づくナノスケールセンシングとイメージングに機械学習手法を適用する機会を生み出す。
論文参考訳（メタデータ） (2022-08-01T19:18:26Z)
Space-based gravitational wave signal detection and extraction with deep neural network [13.176946557548042]
宇宙ベースの重力波検出器(GW)は、現在の地上での観測でほぼ不可能に近い音源からの信号を観測することができる。本稿では,全宇宙GWソースに対して高精度なGW信号検出・抽出手法を提案する。
論文参考訳（メタデータ） (2022-07-15T11:48:15Z)
Optimal quantum control via genetic algorithms for quantum state engineering in driven-resonator mediated networks [68.8204255655161]
進化的アルゴリズムに基づく量子状態工学には、機械学習によるアプローチを採用しています。我々は、単一のモード駆動マイクロ波共振器を介して相互作用する、量子ビットのネットワーク(直接結合のない人工原子の状態に符号化された)を考える。アルゴリズムは理想的なノイズフリー設定で訓練されているにもかかわらず、高い量子忠実度とノイズに対するレジリエンスを観測する。
論文参考訳（メタデータ） (2022-06-29T14:34:00Z)
On the Frequency Bias of Generative Models [61.60834513380388]
我々は、最先端のGANトレーニングにおいて、高周波アーティファクトに対する提案手法を解析した。既存のアプローチでは、スペクトルアーティファクトを完全に解決できないことが分かっています。以上の結果から,識別能力の向上に大きな可能性があることが示唆された。
論文参考訳（メタデータ） (2021-11-03T18:12:11Z)
Detection of gravitational-wave signals from binary neutron star mergers using machine learning [52.77024349608834]
本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。信号対雑音比が25未満の信号に対する感度は6因子改善した。保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
論文参考訳（メタデータ） (2020-06-02T10:20:11Z)
A meta-algorithm for classification using random recursive tree ensembles: A high energy physics application [0.0]
本研究の目的は,個別のバイナリクラスの存在下での自動分類のためのメタアルゴリズムを提案することである。重なり合うクラスは、両方のクラスに属する高密度の点を持つ特徴空間におけるあいまいな領域の存在によって記述される。提案したアルゴリズムは、実験物理学において最も成功した解析手法の1つである古典的な強化決定木の変種である。
論文参考訳（メタデータ） (2020-01-19T18:22:18Z)
Extracting more from boosted decision trees: A high energy physics case study [0.0]
提案手法は,本手法の弱点,過度な適合性などをターゲットとして,標準の強化決定木を抽出するアルゴリズムを提案する。また,ATLAS Higgs (H) と Tau-tau データセットを併用したメタ学習手法を応用した。本稿では,1つの応用に焦点をあてるが,この単純で堅牢な手法は高エネルギー物理学に広く応用されることが期待される。
論文参考訳（メタデータ） (2020-01-16T19:13:28Z)

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。