論文の概要: The Tracking Machine Learning challenge : Throughput phase
- arxiv url: http://arxiv.org/abs/2105.01160v1
- Date: Mon, 3 May 2021 20:31:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 01:00:46.612078
- Title: The Tracking Machine Learning challenge : Throughput phase
- Title（参考訳）: 追跡機械学習の課題 : スループットフェーズ
- Authors: Sabrina Amrouche, Laurent Basara, Paolo Calafiura, Dmitry Emeliyanov,
Victor Estrade, Steven Farrell, C\'ecile Germain, Vladimir Vava Gligorov,
Tobias Golling, Sergey Gorbunov, Heather Gray, Isabelle Guyon, Mikhail
Hushchyn, Vincenzo Innocente, Moritz Kiehn, Marcel Kunze, Edward Moyse, David
Rousseau, Andreas Salzburger, Andrey Ustyuzhanin, Jean-Roch Vlimant
- Abstract要約: 本稿では、CodalabプラットフォームにおけるTracking Machine Learning (TrackML)チャレンジの第2フェーズについて報告する。
この第2段階の目標は、精度と推論の速度の妥協であった。
ベスト3の参加者は、優れた精度と課題設計時の最先端技術よりも桁違いに速いスピードのソリューションを持っていた。
- 参考スコア（独自算出の注目度）: 8.109728073939545
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper reports on the second "Throughput" phase of the Tracking Machine
Learning (TrackML) challenge on the Codalab platform. As in the first
"Accuracy" phase, the participants had to solve a difficult experimental
problem linked to tracking accurately the trajectory of particles as e.g.
created at the Large Hadron Collider (LHC): given O($10^5$) points, the
participants had to connect them into O($10^4$) individual groups that
represent the particle trajectories which are approximated helical. While in
the first phase only the accuracy mattered, the goal of this second phase was a
compromise between the accuracy and the speed of inference. Both were measured
on the Codalab platform where the participants had to upload their software.
The best three participants had solutions with good accuracy and speed an order
of magnitude faster than the state of the art when the challenge was designed.
Although the core algorithms were less diverse than in the first phase, a
diversity of techniques have been used and are described in this paper. The
performance of the algorithms are analysed in depth and lessons derived.
- Abstract（参考訳）: 本稿では,Codalabプラットフォーム上での追跡機械学習(TrackML)チャレンジの第2フェーズについて報告する。
最初の「精度」フェーズと同様に、参加者は粒子の軌道を正確に追跡することに関連する難しい実験問題を解く必要があった。
大型ハドロン衝突型加速器 (LHC): O($10^5$) 点が与えられたとき、参加者はそれらを O($10^4$) 個のグループに連結し、近似ヘリカルな粒子軌道を表す。
第1フェーズでは精度のみが問題であったが、この第2フェーズの目標は、精度と推論速度の妥協であった。
どちらも、参加者がソフトウェアをアップロードしなければならないCodalabプラットフォーム上で測定された。
ベスト3の参加者は、優れた精度と課題設計時の最先端技術よりも桁違いに速いスピードのソリューションを持っていた。
コアアルゴリズムは第1フェーズほど多様ではなかったが,様々な手法が用いられ,本論文で解説されている。
アルゴリズムの性能は、深さと教訓によって分析される。
関連論文リスト
- TrackFormers: In Search of Transformer-Based Particle Tracking for the High-Luminosity LHC Era [2.9052912091435923]
高エネルギー物理実験は、新しいイテレーション毎に複数倍のデータの増加に直面している。
このようなオーバーホールが必要なステップの1つは、粒子トラックの再構築、すなわち追跡のタスクである。
機械学習支援ソリューションは、大幅な改善が期待されている。
論文 参考訳（メタデータ） (2024-07-09T18:47:25Z) - MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data
Challenge [110.7678032481059]
第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。
この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。
この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
論文 参考訳（メタデータ） (2022-09-22T16:44:59Z) - Taking ROCKET on an Efficiency Mission: Multivariate Time Series
Classification with LightWaveS [3.5786621294068373]
正確な多変量時系列分類のためのフレームワークLightWaveSを提案する。
ROCKETの機能はわずか2.5%しか採用していないが、最近のディープラーニングモデルに匹敵する精度を実現している。
エッジデバイス上での推論において, ROCKETと比較して9倍から65倍のスピードアップを実現していることを示す。
論文 参考訳（メタデータ） (2022-04-04T10:52:20Z) - Distributed Swarm Collision Avoidance Based on Angular Calculations [0.0]
本稿では,高密度で複雑な2Dおよび3D環境のための分散リアルタイムアルゴリズムを提案する。
角計算を用いて、各ロボットの動きの最適な方向を選択する。
提案手法は,ハエ群集の完全自律航法を可能にする。
論文 参考訳（メタデータ） (2021-08-29T23:12:38Z) - Sample and Computation Redistribution for Efficient Face Detection [137.19388513633484]
トレーニングデータサンプリングと計算分布戦略は、効率的で正確な顔検出の鍵です。
scrfdf34は、最高の競合製品であるTinaFaceを3.86%(ハードセットでのAP)で上回り、GPU上でVGA解像度画像でmph3$times$より高速です。
論文 参考訳（メタデータ） (2021-05-10T23:51:14Z) - Quantum speedup for track reconstruction in particle accelerators [51.00143435208596]
我々は,各局所追跡法に存在する基本ルーチンを4つ同定し,標準追跡アルゴリズムの文脈でどのようにスケールするかを解析する。
発見された量子スピードアップは穏やかだが、これは私たちの知識の中でも最高のものであり、高エネルギーの物理データ処理タスクに対する量子上の優位性の最初の厳密な証拠である。
論文 参考訳（メタデータ） (2021-04-23T13:32:14Z) - Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
データセットバイアスは、機械学習における不公平な原因の1つです。
不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。
また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
論文 参考訳（メタデータ） (2021-04-14T14:20:22Z) - Lessons Learned from the 1st ARIEL Machine Learning Challenge:
Correcting Transiting Exoplanet Light Curves for Stellar Spots [10.01867867850419]
本稿では,恒星点の存在下での遷移光曲線からの遷移深さの導出を完全に自動化する第一歩を探求する。
提案した手法と成果は、欧州宇宙機関(ESA)の次回のアリエルミッションのために組織された第1回機械学習チャレンジの文脈で得られた。
論文 参考訳（メタデータ） (2020-10-29T23:56:25Z) - Single-Timescale Stochastic Nonconvex-Concave Optimization for Smooth
Nonlinear TD Learning [145.54544979467872]
本稿では,各ステップごとに1つのデータポイントしか必要としない2つの単一スケールシングルループアルゴリズムを提案する。
本研究の結果は, 同時一次および二重側収束の形で表される。
論文 参考訳（メタデータ） (2020-08-23T20:36:49Z) - Learning to Optimize Non-Rigid Tracking [54.94145312763044]
我々は、堅牢性を改善し、解法収束を高速化するために学習可能な最適化を採用する。
まず、CNNを通じてエンドツーエンドに学習された深い特徴にアライメントデータ項を統合することにより、追跡対象をアップグレードする。
次に,プレコンディショニング手法と学習手法のギャップを,プレコンディショナを生成するためにトレーニングされたConditionNetを導入することで埋める。
論文 参考訳（メタデータ） (2020-03-27T04:40:57Z) - Particle Track Reconstruction with Quantum Algorithms [1.087475836765689]
本稿では,初期シード段階におけるバックグラウンドの低減を目的とした量子ベーストラック探索アルゴリズムの実装について述べる。
荷電粒子軌道の再構築は、HL-LHCデータの正しい解釈にとって大きな課題となる。
論文 参考訳（メタデータ） (2020-03-18T09:59:20Z)
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。