論文の概要: The Dark Machines Anomaly Score Challenge: Benchmark Data and Model
Independent Event Classification for the Large Hadron Collider
- arxiv url: http://arxiv.org/abs/2105.14027v1
- Date: Fri, 28 May 2021 18:00:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 04:14:18.580077
- Title: The Dark Machines Anomaly Score Challenge: Benchmark Data and Model
Independent Event Classification for the Large Hadron Collider
- Title（参考訳）: ダークマシンの異常スコア問題:大型ハドロン衝突型加速器のベンチマークデータとモデル独立イベント分類
- Authors: T. Aarrestad, M. van Beekveld, M. Bona, A. Boveia, S. Caron, J.
Davies, A. De Simone, C. Doglioni, J.M. Duarte, A. Farbin, H. Gupta, L.
Hendriks, L. Heinrich, J. Howarth, P. Jawahar, A. Jueid, J. Lastow, A.
Leinweber, J. Mamuzic, E. Mer\'enyi, A. Morandini, P. Moskvitina, C. Nellist,
J. Ngadiuba, B. Ostdiek, M. Pierini, B. Ravina, R. Ruiz de Austri, S. Sekmen,
M. Touranakou, M. Va\v{s}kevi\v{c}i\=ute, R. Vilalta, J.R. Vlimant, R.
Verheyen, M. White, E. Wulff, E. Wallin, K.A. Wozniak, Z. Zhang
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We describe the outcome of a data challenge conducted as part of the Dark
Machines Initiative and the Les Houches 2019 workshop on Physics at TeV
colliders. The challenged aims at detecting signals of new physics at the LHC
using unsupervised machine learning algorithms. First, we propose how an
anomaly score could be implemented to define model-independent signal regions
in LHC searches. We define and describe a large benchmark dataset, consisting
of >1 Billion simulated LHC events corresponding to $10~\rm{fb}^{-1}$ of
proton-proton collisions at a center-of-mass energy of 13 TeV. We then review a
wide range of anomaly detection and density estimation algorithms, developed in
the context of the data challenge, and we measure their performance in a set of
realistic analysis environments. We draw a number of useful conclusions that
will aid the development of unsupervised new physics searches during the third
run of the LHC, and provide our benchmark dataset for future studies at
https://www.phenoMLdata.org. Code to reproduce the analysis is provided at
https://github.com/bostdiek/DarkMachines-UnsupervisedChallenge.
- Abstract（参考訳）: 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で新しい物理信号を検出することを目的としている。
まず,lhc探索におけるモデル非依存な信号領域を定義するために,異常スコアをどのように実装するかを提案する。
10～\rm{fb}^{-1}$の陽子-陽子衝突に対応する10億以上のlhcを13tevの中心エネルギーでシミュレートした、大規模なベンチマークデータセットを定義し、記述する。
次に,データ課題の文脈で開発された様々な異常検出および密度推定アルゴリズムを概説し,現実的な分析環境においてそれらの性能を測定する。
我々は、LHCの第3回実施中に、教師なしの新しい物理探索の開発に役立つ有用な結論を数多く導き、将来の研究のためのベンチマークデータセットをhttps://www.phenoMLdata.orgで提供している。
解析を再現するコードはhttps://github.com/bostdiek/DarkMachines-UnsupervisedChallengeにある。
関連論文リスト
- Conditioned quantum-assisted deep generative surrogate for particle-calorimeter interactions [6.753162356016995]
本研究では,大型ハドロン衝突型加速器シミュレーションのための量子支援深部生成モデルを提案する。
このモデルでは,条件付き変分オートエンコーダ (VAE) と条件付き制限ボルツマンマシン (RBM) を統合する。
RBMノードと接続は、サンプリングのためにD-WaveのPegasus-structured textitAdvantage Quantum Annealer (QA)上でqubitsと couplerを使用するように慎重に設計されている。
論文 参考訳（メタデータ） (2024-10-30T10:08:03Z) - Anchor-free Oriented Proposal Generator for Object Detection [59.54125119453818]
オブジェクト指向物体検出はリモートセンシング画像解釈において実用的で困難な課題である。
今日では、指向性検出器は主に水平方向の箱を中間体として使用し、それらから指向性のある箱を導出している。
本稿では,ネットワークアーキテクチャから水平ボックス関連操作を放棄する,AOPG(Anchor-free Oriented Proposal Generator)を提案する。
論文 参考訳（メタデータ） (2021-10-05T10:45:51Z) - 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) - 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) - One Million Scenes for Autonomous Driving: ONCE Dataset [91.94189514073354]
自律運転シナリオにおける3次元物体検出のためのONCEデータセットを提案する。
データは、利用可能な最大の3D自動運転データセットよりも20倍長い144時間の運転時間から選択される。
我々はONCEデータセット上で、様々な自己教師的・半教師的手法を再現し、評価する。
論文 参考訳（メタデータ） (2021-06-21T12:28:08Z) - Towards a method to anticipate dark matter signals with deep learning at
the LHC [58.720142291102135]
ニューラルネットワークを用いた簡易暗黒物質モデルとそのシグネチャをLHCで検討した。
通常のモノジェットと逆エネルギーチャネルの欠如に焦点を当てるが、アルゴリズムを訓練するためには、イベント・バイ・イベント・アレーの代わりに2Dヒストグラムでデータを整理する。
これにより、標準モデル(SM)のみとSMと新しい物理信号とを区別する性能が大きく向上する。
論文 参考訳（メタデータ） (2021-05-25T15:38:13Z) - Bump Hunting in Latent Space [0.0]
LHCオリンピックマシンラーニングチャレンジデータセット上で競争的かつ堅牢に機能する、物理学にインスパイアされた変動オートエンコーダ(VAE)アーキテクチャを紹介します。
我々は、いくつかの物理的オブザーバブルをVAEの潜時空間に直接埋め込むと同時に、分類器を明らかに識別し、データセット内の異常の存在によって引き起こされる測定されたスペクトルの特徴を特定するのに役立つことを実証する。
論文 参考訳（メタデータ） (2021-03-11T10:48:10Z) - Unsupervised in-distribution anomaly detection of new physics through
conditional density estimation [0.0]
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。
論文 参考訳（メタデータ） (2020-12-21T19:05:22Z) - LID 2020: The Learning from Imperfect Data Challenge Results [242.86700551532272]
Imperfect Dataワークショップからの学習は、新しいアプローチの開発に刺激を与え、促進することを目的としている。
我々は、弱教師付き学習環境における最先端のアプローチを見つけるために、3つの課題を編成する。
この技術的レポートは、課題のハイライトを要約している。
論文 参考訳（メタデータ） (2020-10-17T13:06:12Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳（メタデータ） (2020-09-16T15:52:04Z) - Unsupervised Learning for Identifying Events in Active Target
Experiments [1.4174475093445236]
本稿では、アクティブターゲット検出器におけるイベント分離問題に対する教師なし機械学習手法の新たな応用について述べる。
包括的な目標は、データ分析の初期段階で同様のイベントをグループ化し、不必要なイベントの計算に高価な処理を制限することで効率を向上させることである。
論文 参考訳（メタデータ） (2020-08-06T16:49:39Z)
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。