論文の概要: Unsupervised in-distribution anomaly detection of new physics through conditional density estimation

• arxiv url: http://arxiv.org/abs/2012.11638v1
• Date: Mon, 21 Dec 2020 19:05:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-27 06:16:21.863848
• Title: Unsupervised in-distribution anomaly detection of new physics through conditional density estimation
• Title（参考訳）: 条件密度推定による新しい物理の教師なし分布異常検出
• Authors: George Stein, Uros Seljak, Biwei Dai
• Abstract要約: 本研究では,条件密度推定器を用いた非監視分布異常検出法を提案する。 2020年のLHCオリンピックの盲目の挑戦の一環として、シミュレーションされた大型ハドロン衝突(LHC)粒子衝突における新しい物理学の検出にこの方法を適用します。 これまでの成果は、2020年のLHCオリンピックへの盲目の提出で、最先端のパフォーマンスを達成したものです。
• 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: Anomaly detection is a key application of machine learning, but is generally focused on the detection of outlying samples in the low probability density regions of data. Here we instead present and motivate a method for unsupervised in-distribution anomaly detection using a conditional density estimator, designed to find unique, yet completely unknown, sets of samples residing in high probability density regions. We apply this method towards the detection of new physics in simulated Large Hadron Collider (LHC) particle collisions as part of the 2020 LHC Olympics blind challenge, and show how we detected a new particle appearing in only 0.08% of 1 million collision events. The results we present are our original blind submission to the 2020 LHC Olympics, where it achieved the state-of-the-art performance.
• Abstract（参考訳）: 異常検出は機械学習の重要な応用であるが、一般にデータの低確率密度領域における外部サンプルの検出に焦点を当てている。 そこで我々は,高確率密度領域に分布する一意かつ完全に未知なサンプル集合を見つけるための条件付き密度推定器を用いて,教師なし分布異常検出法を提案し,その動機付けを行った。 本手法は,2020年lhcオリンピックブラインドチャレンジにおいてシミュレーションされた大型ハドロン衝突型加速器 (lhc) の粒子衝突の検出に応用し,100万回の衝突のうち0.08%で新しい粒子が検出されたことを示す。 これまでの成果は、2020年のLHCオリンピックへの盲目の応募で、最先端のパフォーマンスを達成した。

関連論文リスト

• Causal Lifting of Neural Representations: Zero-Shot Generalization for Causal Inferences [56.23412698865433]
  本研究では,ラベル付き類似実験を微調整した予測モデルを用いて,ラベル付き実結果を用いた対象実験の因果推論に焦点をあてる。 まず,経験的リスク最小化(ERM)による実結果推定は,対象個体群に対して有効な因果推論を導出できない可能性があることを示す。 本稿では,実証的リスク最小化法(DEM)を提案する。
  論文  参考訳（メタデータ） (2025-02-10T10:52:17Z)
• Sobolev Space Regularised Pre Density Models [51.558848491038916]
  本研究では,ソボレフ法則の正則化に基づく非パラメトリック密度推定法を提案する。 この方法は統計的に一貫したものであり、帰納的検証モデルを明確かつ一貫したものにしている。
  論文  参考訳（メタデータ） (2023-07-25T18:47:53Z)
• Unravelling physics beyond the standard model with classical and quantum anomaly detection [1.014313095022286]
  現在の実験では、追加のBeyond Standard Model(BSM)理論の発展を導く新しい物理学の兆候は示されていない。 本稿では,ランダムなプロセスによる異常の人工的生成に基づいて,教師付き学習環境で異常検出を行う新しい手法を提案する。 さらに有望なことに、人工的な異常を識別するために訓練されたSVCを用いることで、現実的なBSMイベントを高精度に識別することが可能である。
  論文  参考訳（メタデータ） (2023-01-25T19:00:14Z)
• Towards Spatial Equilibrium Object Detection [88.9747319572368]
  本稿では,現代物体検出器の空間的不平衡問題について考察する。 本稿では,ゾーンにおける検出性能の測定により,この問題の定量化を提案する。 これは、より一般化された測度を設計する動機となり、空間平衡精度と呼ばれる。
  論文  参考訳（メタデータ） (2023-01-14T17:33:26Z)
• Coincidence postselection for genuine multipartite nonlocality: Causal diagrams and threshold efficiencies [0.0]
  非局所性およびGMNの実証実験において、偶然検出のための検出ループを閉じる方法を示す。 その結果,非イデアル検出器を許容しても,真の$N$粒子非局所性はN$独立粒子源から生成できることが示唆された。
  論文  参考訳（メタデータ） (2022-07-27T15:21:38Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• New Methods and Datasets for Group Anomaly Detection From Fundamental Physics [0.4297070083645048]
  教師なしのグループ異常検出は、基礎物理学の新たなフロンティアとなっている。 グループ異常検出アルゴリズムの開発のために,現実的な合成ベンチマークデータセット(LHCO 2020)を提案する。
  論文  参考訳（メタデータ） (2021-07-06T18:00:57Z)
• 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)
• The Dark Machines Anomaly Score Challenge: Benchmark Data and Model Independent Event Classification for the Large Hadron Collider [0.0]
  我々は、Dark Machines InitiativeとLes Houches 2019 Workshop on Physics at TeV Colllidersで実施されたデータチャレンジの結果について説明する。 この課題は、教師なし機械学習アルゴリズムを使用して、LHCで新しい物理学の信号を検出することを目的としている。
  論文  参考訳（メタデータ） (2021-05-28T18:00:02Z)
• Anomaly Detection with Density Estimation [2.0813318162800707]
  我々は新しい教師なし異常検出手法(ANODE)を提案する。 信号領域およびサイドバンドにおけるデータの確率密度を推定することにより、データとバックグラウンドとの確率比を構築することができる。 ANODEは信号領域とサイドバンドの体系的な違いに対して堅牢であり、他の方法よりも広い適用性を与えている。
  論文  参考訳（メタデータ） (2020-01-14T19:00:02Z)

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。