論文の概要: End-to-End Jet Classification of Boosted Top Quarks with the CMS Open Data

• arxiv url: http://arxiv.org/abs/2104.14659v1
• Date: Mon, 19 Apr 2021 19:36:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-04 05:38:57.199830
• Title: End-to-End Jet Classification of Boosted Top Quarks with the CMS Open Data
• Title（参考訳）: CMSオープンデータを用いたトップクォークのエンド・ツー・エンドジェット分類
• Authors: Michael Andrews, Bjorn Burkle, Yi-fan Chen, Davide DiCroce, Sergei Gleyzer, Ulrich Heintz, Meenakshi Narain, Manfred Paulini, Nikolas Pervan, Yusef Shafi, Wei Sun, Kun Yang
• Abstract要約: トップクォーク誘発ジェットを識別するためのエンドツーエンド深層学習手法の新規適用について述べる。 この技術は、ディープラーニングアルゴリズムと高エネルギー衝突イベントの低レベル検出器表現を組み合わせています。
• 参考スコア（独自算出の注目度）: 10.542170979259131
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We describe a novel application of the end-to-end deep learning technique to the task of discriminating top quark-initiated jets from those originating from the hadronization of a light quark or a gluon. The end-to-end deep learning technique combines deep learning algorithms and low-level detector representation of the high-energy collision event. In this study, we use low-level detector information from the simulated CMS Open Data samples to construct the top jet classifiers. To optimize classifier performance we progressively add low-level information from the CMS tracking detector, including pixel detector reconstructed hits and impact parameters, and demonstrate the value of additional tracking information even when no new spatial structures are added. Relying only on calorimeter energy deposits and reconstructed pixel detector hits, the end-to-end classifier achieves an AUC score of 0.975$\pm$0.002 for the task of classifying boosted top quark jets. After adding derived track quantities, the classifier AUC score increases to 0.9824$\pm$0.0013, serving as the first performance benchmark for these CMS Open Data samples. We additionally provide a timing performance comparison of different processor unit architectures for training the network.
• Abstract（参考訳）: 本研究は,光クォークやグルーオンのハドロン化を起因とするジェットからトップクォークを誘導するジェットを識別するタスクへのエンドツーエンドディープラーニング技術の新たな応用について述べる。 エンドツーエンドのディープラーニング技術は、ディープラーニングアルゴリズムと高エネルギー衝突イベントの低レベル検出器表現を組み合わせる。 本研究では,cmsオープンデータサンプルからの低レベル検出器情報を用いて,トップジェット分類器を構成する。 分類器の性能を最適化するために, 画素検出器を再構築したヒットや衝突パラメータを含むCMS追跡検出器からの低レベル情報を段階的に追加し, 新たな空間構造が加えられなくても追加追跡情報の価値を示す。 温度計のエネルギー蓄積と再構成されたピクセル検出器のヒットにのみ依存し、アップクォークジェットを分類するタスクにおいて、エンドツーエンドの分類器はAUCスコア0.975$\pm$0.002を達成する。 派生トラック量を加えた後、AUCスコアは0.9824$\pm$0.0013に上昇し、これらのCMS Open Dataサンプルの最初のパフォーマンスベンチマークとなった。 さらに、ネットワークをトレーニングするための異なるプロセッサユニットアーキテクチャのタイミング性能比較も提供する。

関連論文リスト

• Comparative Analysis of XGBoost and Minirocket Algortihms for Human Activity Recognition [0.0]
  本研究では,スマートフォンセンサから収集したデータを用いて,HAR(Human Activity Recognition)領域におけるeXtreme Gradient Boosting(XGBoost)とMiniRocketについて検討した。 XGBoostは、アクティビティ分類において、精度、F1スコア、AUC値が0.99まで到達する。 MiniRocketは精度とF1値が0.94であり、AUC値が0.96である。
  論文  参考訳（メタデータ） (2024-02-28T12:41:06Z)
• Machine Learning for Particle Flow Reconstruction at CMS [7.527568379083754]
  CMSのための機械学習に基づく粒子フローアルゴリズムの実装について詳述する。 このアルゴリズムは、温度計クラスタとトラックに基づいて安定粒子を再構成し、グローバルなイベント再構成を提供する。
  論文  参考訳（メタデータ） (2022-03-01T10:11:44Z)
• A SPA-based Manifold Learning Framework for Motor Imagery EEG Data Classification [2.4727719996518487]
  本稿では,運動画像(MI)タスクから2種類の脳波データを分類するための多様体学習フレームワークを提案する。 特徴抽出のために、前処理された脳波信号から共通空間パターン(CSP)によって実装される。 分類のための特徴の近傍では、データの支持に対する局所近似が得られ、次に最も近い支持を持つクラスに特徴が割り当てられる。
  論文  参考訳（メタデータ） (2021-07-30T06:18:05Z)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Variational Auto Encoder Gradient Clustering [0.0]
  近年,ディープニューラルネットワークモデルを用いたクラスタリングが広く研究されている。 本稿では、より良いクラスタリングを実現するために確率関数勾配上昇を使用してデータを処理する方法を検討する。 DBSCANクラスタリングアルゴリズムに基づいて,データに適したクラスタ数を調べるための簡便かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2021-05-11T08:00:36Z)
• Robust and Accurate Object Detection via Adversarial Learning [111.36192453882195]
  この研究は、逆の例を探索することで、物体検出器の微調整段階を補強する。 提案手法は,オブジェクト検出ベンチマークにおいて,最先端のEfficientDetsの性能を+1.1mAP向上させる。
  論文  参考訳（メタデータ） (2021-03-23T19:45:26Z)
• Transfer Learning for Motor Imagery Based Brain-Computer Interfaces: A Complete Pipeline [54.73337667795997]
  移動学習(TL)は、新しい被験者の校正作業を減らすために、運動画像(MI)ベースの脳-コンピュータインタフェース(BCI)に広く用いられている。 本稿では,MIベースのBCIの3つのコンポーネント(空間フィルタリング,特徴工学,分類)すべてにおいてTLが考慮できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T23:44:21Z)
• iffDetector: Inference-aware Feature Filtering for Object Detection [70.8678270164057]
  Inference-aware Feature Filtering (IFF)モジュールを導入し、現代の検出器と簡単に組み合わせることができる。 IFFは、畳み込み機能を強化するためにハイレベルなセマンティクスを活用することでクローズドループ最適化を行う。 IFFはCNNベースの物体検出器とプラグアンドプレイ方式で融合でき、計算コストのオーバーヘッドは無視できる。
  論文  参考訳（メタデータ） (2020-06-23T02:57:29Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)

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。