論文の概要: Sequence-based Machine Learning Models in Jet Physics

• arxiv url: http://arxiv.org/abs/2102.06128v1
• Date: Tue, 9 Feb 2021 16:04:33 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-12 15:13:50.133535
• Title: Sequence-based Machine Learning Models in Jet Physics
• Title（参考訳）: ジェット物理におけるシーケンスベース機械学習モデル
• Authors: Rafael Teixeira de Lima
• Abstract要約: シーケンス・ベース・モデリング(Sequence-based modeling)とは、入力要素の順序づけられた集合として表されるデータに作用するアルゴリズムを指す。 特に、シーケンスを入力とする機械学習アルゴリズムは、自然言語処理(NLP)や音声信号モデリングといった重要な問題に成功している。 我々は、ジェットの分類、ジェット関連量の回帰、物理に着想を得たジェット表現を構築するために、リカレントニューラルネットワーク(RNN)や他のシーケンスベースのニューラルネットワークアーキテクチャの適用について検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sequence-based modeling broadly refers to algorithms that act on data that is represented as an ordered set of input elements. In particular, Machine Learning algorithms with sequences as inputs have seen successfull applications to important problems, such as Natural Language Processing (NLP) and speech signal modeling. The usage this class of models in collider physics leverages their ability to act on data with variable sequence lengths, such as constituents inside a jet. In this document, we explore the application of Recurrent Neural Networks (RNNs) and other sequence-based neural network architectures to classify jets, regress jet-related quantities and to build a physics-inspired jet representation, in connection to jet clustering algorithms. In addition, alternatives to sequential data representations are briefly discussed.
• Abstract（参考訳）: シーケンスベースモデリングは一般に、入力要素の順序セットとして表現されるデータに作用するアルゴリズムを指す。 特に、シーケンスを入力とする機械学習アルゴリズムは、自然言語処理(NLP)や音声信号モデリングなどの重要な問題への適用に成功した。 コライダー物理学におけるこのクラスのモデルの使用法は、ジェット内の構成体などの可変シーケンス長のデータに作用する能力を利用する。 本論文では, ジェットの分類, ジェット関連量の回帰, およびジェットクラスタリングアルゴリズムに関連する物理に着想を得たジェット表現を構築するために, リカレントニューラルネットワーク(RNN)および他のシーケンスベースニューラルネットワークアーキテクチャの適用について検討する。 さらに、シーケンシャルデータ表現の代替案も簡単に議論される。

関連論文リスト

• Custom DNN using Reward Modulated Inverted STDP Learning for Temporal Pattern Recognition [0.0]
  時間的スパイク認識は、異常検出、キーワードスポッティング、神経科学など、様々な領域において重要な役割を果たす。 本稿では,スパース事象系列データに基づく時間的スパイクパターン認識のための新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-07-15T18:57:27Z)
• Compositional Learning of Dynamical System Models Using Port-Hamiltonian Neural Networks [32.707730631343416]
  データから動的システムの複合モデルを学ぶためのフレームワークを提案する。 ニューラルネットワークサブモデルは、比較的単純なサブシステムによって生成された軌跡データに基づいて訓練される。 提案するフレームワークの新機能を数値例で示す。
  論文  参考訳（メタデータ） (2022-12-01T22:22:38Z)
• A Recursively Recurrent Neural Network (R2N2) Architecture for Learning Iterative Algorithms [64.3064050603721]
  本研究では,リカレントニューラルネットワーク (R2N2) にランゲ・クッタニューラルネットワークを一般化し,リカレントニューラルネットワークを最適化した反復アルゴリズムの設計を行う。 本稿では, 線形方程式系に対するクリロフ解法, 非線形方程式系に対するニュートン・クリロフ解法, 常微分方程式に対するルンゲ・クッタ解法と類似の繰り返しを計算問題クラスの入力・出力データに対して提案した超構造内における重みパラメータの正規化について述べる。
  論文  参考訳（メタデータ） (2022-11-22T16:30:33Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Neural ODEs with Irregular and Noisy Data [8.349349605334316]
  ノイズや不規則なサンプル測定を用いて微分方程式を学習する手法について議論する。 我々の方法論では、ディープニューラルネットワークとニューラル常微分方程式(ODE)アプローチの統合において、大きな革新が見られる。 ベクトル場を記述するモデルを学習するためのフレームワークは,雑音測定において非常に効果的である。
  論文  参考訳（メタデータ） (2022-05-19T11:24:41Z)
• Explaining machine-learned particle-flow reconstruction [0.0]
  粒子流(PF)アルゴリズムは、衝突の包括的粒子レベルビューを再構築するために汎用粒子検出器で使用される。 機械学習粒子フロー(MLPF)アルゴリズムとして知られるグラフニューラルネットワーク(GNN)モデルが,規則に基づくPFアルゴリズムの代替として開発された。
  論文  参考訳（メタデータ） (2021-11-24T23:20:03Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Conditionally Parameterized, Discretization-Aware Neural Networks for Mesh-Based Modeling of Physical Systems [0.0]
  入力パラメータのトレーニング可能な関数を用いて条件パラメトリゼーションの考え方を一般化する。 条件パラメータ化ネットワークは従来のネットワークに比べて優れた性能を示すことを示す。 CP-GNetと呼ばれるネットワークアーキテクチャも、メッシュ上のフローのスタンドアロン予測に反応可能な最初のディープラーニングモデルとして提案されている。
  論文  参考訳（メタデータ） (2021-09-15T20:21:13Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)
• Connecting Weighted Automata, Tensor Networks and Recurrent Neural Networks through Spectral Learning [58.14930566993063]
  我々は、形式言語と言語学からの重み付き有限オートマトン(WFA)、機械学習で使用されるリカレントニューラルネットワーク、テンソルネットワークの3つのモデル間の接続を提示する。 本稿では,連続ベクトル入力の列上に定義された線形2-RNNに対する最初の証明可能な学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-10-19T15:28:00Z)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)

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。