論文の概要: Charged particle tracking via edge-classifying interaction networks
- arxiv url: http://arxiv.org/abs/2103.16701v1
- Date: Tue, 30 Mar 2021 21:58:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-02 07:06:48.178946
- Title: Charged particle tracking via edge-classifying interaction networks
- Title（参考訳）: エッジ分類相互作用ネットワークによる荷電粒子追跡
- Authors: Gage DeZoort, Savannah Thais, Isobel Ojalvo, Peter Elmer, Vesal
Razavimaleki, Javier Duarte, Markus Atkinson, Mark Neubauer
- Abstract要約: 本研究では, HL-LHCで期待される高ピーク条件下での荷電粒子追跡問題に対して, 物理学的動機付き相互作用ネットワーク(IN) GNNを適用した。
我々は、GNNに基づくトラッキングの各段階での一連の測定を通して、INの優れたエッジ分類精度と追跡効率を実証する。
提案したINアーキテクチャは,従来研究されていたGNNトラッキングアーキテクチャよりも大幅に小さく,制約のある計算環境においてGNNベースのトラッキングを実現する上で重要なサイズ削減である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent work has demonstrated that geometric deep learning methods such as
graph neural networks (GNNs) are well-suited to address a variety of
reconstruction problems in HEP. In particular, tracker events are naturally
represented as graphs by identifying hits as nodes and track segments as edges;
given a set of hypothesized edges, edge-classifying GNNs predict which
correspond to real track segments. In this work, we adapt the physics-motivated
interaction network (IN) GNN to the problem of charged-particle tracking in the
high-pileup conditions expected at the HL-LHC. We demonstrate the IN's
excellent edge-classification accuracy and tracking efficiency through a suite
of measurements at each stage of GNN-based tracking: graph construction, edge
classification, and track building. The proposed IN architecture is
substantially smaller than previously studied GNN tracking architectures, a
reduction in size critical for enabling GNN-based tracking in constrained
computing environments. Furthermore, the IN is easily expressed as a set of
matrix operations, making it a promising candidate for acceleration via
heterogeneous computing resources.
- Abstract（参考訳）: 近年の研究では、グラフニューラルネットワーク(GNN)のような幾何学的深層学習手法が、HEPの様々な再構成問題に対処するのに適していることが示されている。
特に、トラッカーイベントは、ヒットをノードとして、トラックセグメントをエッジとして識別することで、グラフとして自然に表現される。
本研究では, HL-LHCで期待される高ピーク条件下での荷電粒子追跡問題に対して, 物理動機付き相互作用ネットワーク(IN) GNNを適用した。
グラフ構築,エッジ分類,トラック構築といった,GNNに基づくトラッキングの各段階における一連の測定によって,INの優れたエッジ分類精度と追跡効率を実証する。
提案したINアーキテクチャは,従来研究されていたGNNトラッキングアーキテクチャよりも大幅に小さく,制約のある計算環境においてGNNベースのトラッキングを実現する上で重要なサイズ削減である。
さらに、INは行列演算の集合として容易に表現され、不均一な計算資源による加速の候補となる。
関連論文リスト
- High Pileup Particle Tracking with Object Condensation [7.962871190916326]
近年の研究では、荷電粒子追跡のための従来のアルゴリズムの性能とグラフニューラルネットワーク(GNN)が一致できることが示されている。
我々は、任意の数のオブジェクト(トラック)に属するポイント(hits)をクラスタリングし、各オブジェクトのプロパティを回帰するように設計された多目的学習フレームワークである、オブジェクト凝縮(OC)に基づく代替案を検討する。
論文 参考訳（メタデータ） (2023-12-06T19:00:00Z) - DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。
GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。
また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文 参考訳（メタデータ） (2023-05-22T10:29:52Z) - MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。
我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
論文 参考訳（メタデータ） (2022-08-21T15:12:08Z) - Robust Graph Neural Networks using Weighted Graph Laplacian [1.8292714902548342]
グラフニューラルネットワーク(GNN)は、入力データにおけるノイズや敵攻撃に対して脆弱である。
重み付きラプラシアンGNN(RWL-GNN)として知られるGNNの強化のための汎用フレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-03T05:36:35Z) - Graph Neural Networks for Charged Particle Tracking on FPGAs [2.6402980149746913]
CERN大型ハドロン衝突型加速器(LHC)における衝突時の荷電粒子軌道の決定は重要な問題であるが難しい問題である。
グラフニューラルネットワーク(GNN)は、幾何学的なディープラーニングアルゴリズムの一種であり、このタスクにうまく適用されている。
我々は、GNNをフィールドプログラマブルゲートアレイ(FPGA)のためのファームウェアに変換するための、$textthls4ml$と呼ばれるより広範なツールに統合された自動翻訳ワークフローを導入する。
論文 参考訳（メタデータ） (2021-12-03T17:56:10Z) - Edge-Level Explanations for Graph Neural Networks by Extending
Explainability Methods for Convolutional Neural Networks [33.20913249848369]
グラフニューラルネットワーク(GNN)は、グラフデータを入力として扱うディープラーニングモデルであり、トラフィック予測や分子特性予測といった様々なタスクに適用される。
本稿では,CNNに対する説明可能性の手法として,LIME(Local Interpretable Model-Agnostic Explanations)やGradient-Based Saliency Maps,Gradient-Weighted Class Activation Mapping(Grad-CAM)をGNNに拡張する。
実験結果から,LIMEに基づくアプローチは実環境における複数のタスクに対する最も効率的な説明可能性手法であり,その状態においても優れていたことが示唆された。
論文 参考訳（メタデータ） (2021-11-01T06:27:29Z) - ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。
複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文 参考訳（メタデータ） (2021-10-15T07:18:57Z) - Learning to Drop: Robust Graph Neural Network via Topological Denoising [50.81722989898142]
グラフニューラルネットワーク(GNN)のロバスト性および一般化性能を向上させるために,パラメータ化トポロジカルデノイングネットワークであるPTDNetを提案する。
PTDNetは、パラメータ化されたネットワークでスパーシファイドグラフ内のエッジ数をペナル化することで、タスク非関連エッジを創出する。
PTDNetはGNNの性能を著しく向上させ,さらにノイズの多いデータセットでは性能が向上することを示す。
論文 参考訳（メタデータ） (2020-11-13T18:53:21Z) - Track Seeding and Labelling with Embedded-space Graph Neural Networks [3.5236955190576693]
Exa.TrkXプロジェクトは、粒子トラック再構築のための機械学習アプローチを調査している。
これらのソリューションで最も有望なのは、グラフニューラルネットワーク(GNN)で、トラック計測を接続するグラフとしてイベントを処理する。
この課題に対する最先端アーキテクチャの更新について報告する。
論文 参考訳（メタデータ） (2020-06-30T23:43:28Z) - Graph Neural Networks for Motion Planning [108.51253840181677]
低次元問題に対する高密度固定グラフ上のGNNと高次元問題に対するサンプリングベースGNNの2つの手法を提案する。
RRT(Rapidly-Exploring Random Trees)におけるクリティカルノードの特定やサンプリング分布の学習といった計画上の問題にGNNが取り組む能力について検討する。
臨界サンプリング、振り子、6つのDoFロボットアームによる実験では、GNNは従来の分析手法の改善だけでなく、完全に接続されたニューラルネットワークや畳み込みニューラルネットワークを用いた学習アプローチも示している。
論文 参考訳（メタデータ） (2020-06-11T08:19:06Z) - Binarized Graph Neural Network [65.20589262811677]
我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。
提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。
実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
論文 参考訳（メタデータ） (2020-04-19T09:43:14Z)
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。