論文の概要: The use of Generative Adversarial Networks to characterise new physics
in multi-lepton final states at the LHC
- arxiv url: http://arxiv.org/abs/2105.14933v1
- Date: Mon, 31 May 2021 12:58:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-01 23:44:38.237008
- Title: The use of Generative Adversarial Networks to characterise new physics
in multi-lepton final states at the LHC
- Title（参考訳）: LHCにおけるマルチレプトンファイナル状態における新しい物理を特徴付ける生成逆ネットワークの利用
- Authors: Thabang Lebese, Bruce Mellado, Xifeng Ruan
- Abstract要約: 機械学習のセミスーパービジョンは、信号と背景領域がラベル付けされていない新しい物理学の探索に使用できる。
我々は、ウェイサースタインガン(WGAN)とウェイザースタインガン(WGAN)と、グラデーションペナルティ(WGAN-GP)の使用を提唱する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semi-supervision in Machine Learning can be used in searches for new physics
where the signal plus background regions are not labelled. This strongly
reduces model dependency in the search for signals Beyond the Standard Model.
This approach displays the drawback in that over-fitting can give rise to fake
signals. Tossing toy Monte Carlo (MC) events can be used to estimate the
corresponding trials factor through a frequentist inference. However, MC events
that are based on full detector simulations are resource intensive. Generative
Adversarial Networks (GANs) can be used to mimic MC generators. GANs are
powerful generative models, but often suffer from training instability. We
henceforth show a review of GANs. We advocate the use of Wasserstein GAN (WGAN)
with weight clipping and WGAN with gradient penalty (WGAN-GP) where the norm of
gradient of the critic is penalized with respect to its input. Following the
emergence of multi-lepton anomalies at the LHC, we apply GANs for the
generation of di-leptons final states in association with b-quarks at the LHC.
A good agreement between the MC events and the WGAN-GP events is found for the
observables selected in the study.
- Abstract（参考訳）: 機械学習のセミスーパービジョンは、信号と背景領域がラベル付けされていない新しい物理学の探索に使用できる。
これにより、標準モデルを越えた信号の探索におけるモデル依存性が強く軽減される。
このアプローチは、過度に適合すると偽の信号が発生するという欠点を示す。
投射玩具モンテカルロ(MC)イベントは、頻繁な推論によって対応する試行係数を推定するために用いられる。
しかし、完全な検出器シミュレーションに基づくmcイベントはリソース集約的である。
generative adversarial networks (gans) はmcジェネレータを模倣するために用いられる。
GANは強力な生成モデルであるが、しばしばトレーニングの不安定性に悩まされる。
以下は、GANのレビューである。
我々は,重量クリッピングのwasserstein gan (wgan) と勾配ペナルティのwgan (wgan-gp) の使用を提唱する。
LHCにおけるマルチレプトン異常の出現に続いて、LHCにおけるbクォークと関連したダイレプトン最終状態の生成にGANを適用する。
MCイベントとWGAN-GPイベントの良好な一致は、この研究で選択された観測可能なものに見出される。
関連論文リスト
- GAFlow: Incorporating Gaussian Attention into Optical Flow [62.646389181507764]
我々はガウス的注意(GA)を光学フローモデルに押し込み、表現学習中に局所特性をアクセントする。
本稿では,既存の Transformer ブロックに簡単に接続可能な新しい Gaussian-Constrained Layer (GCL) を提案する。
動作解析のための新しいガウス誘導注意モジュール(GGAM)を提供する。
論文 参考訳（メタデータ） (2023-09-28T07:46:01Z) - DVGAN: Stabilize Wasserstein GAN training for time-domain Gravitational
Wave physics [0.0]
本稿では,WGAN(Warsserstein Generative Adversarial Network)を用いた固定長時間領域信号のシミュレーション手法を提案する。
本研究は, 1次元連続信号におけるGAN成分の学習を学習段階において安定化させることができることを示す。
論文 参考訳（メタデータ） (2022-09-26T12:16:32Z) - Multi-scale Anomaly Detection for Big Time Series of Industrial Sensors [50.6434162489902]
そこで本研究では,自然にスムーズな時系列を復号・符号化する手法であるMissGANを提案する。
MissGANはラベルを必要としないし、通常のインスタンスのラベルだけを必要とするので、広く適用できます。
論文 参考訳（メタデータ） (2022-04-18T04:34:15Z) - Inferential Wasserstein Generative Adversarial Networks [9.859829604054127]
自動エンコーダとWGANを融合する原理的フレームワークである新しい推論ワッサースタインGAN(iWGAN)モデルを導入する。
iWGANはモード崩壊の症状を大幅に緩和し、収束を高速化し、各サンプルの品質チェックの測定を行うことができる。
論文 参考訳（メタデータ） (2021-09-13T00:43:21Z) - Discriminator-Free Generative Adversarial Attack [87.71852388383242]
生成的ベースの敵攻撃は、この制限を取り除くことができる。
ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。
SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
論文 参考訳（メタデータ） (2021-07-20T01:55:21Z) - 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) - Continual Learning with Fully Probabilistic Models [70.3497683558609]
機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。
生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。
我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2021-04-19T12:26:26Z) - Monte Carlo Simulation of SDEs using GANs [0.0]
GAN が 1 次元幾何学的 Ito 微分方程式 (SDE) の近似にも使用できるかどうかを検討する。
標準GANは分布の過程を近似できるだけであり、SDEに弱い近似をもたらす。
強い近似を可能にする条件付きGANアーキテクチャを提案する。
標準GANおよび監督GANと得られた入力出力マップを比較し、標準GANがパスワイズ近似を提供できない可能性があることを実験的に示した。
論文 参考訳（メタデータ） (2021-04-03T16:06:30Z) - Discriminator Contrastive Divergence: Semi-Amortized Generative Modeling
by Exploring Energy of the Discriminator [85.68825725223873]
GAN(Generative Adversarial Networks)は、高次元データのモデリングにおいて大きな可能性を秘めている。
本稿では,WGANの識別器の特性を活かした識別器コントラストの多様性について紹介する。
我々は、合成データと実世界の画像生成ベンチマークの両方において、大幅に改善された生成の利点を実証する。
論文 参考訳（メタデータ） (2020-04-05T01:50:16Z)
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。