Fugu-MT 論文翻訳(概要): Nonlinear pile-up separation with LSTM neural networks for cryogenic particle detectors

論文の概要: Nonlinear pile-up separation with LSTM neural networks for cryogenic particle detectors

arxiv url: http://arxiv.org/abs/2112.06792v1
Date: Mon, 13 Dec 2021 16:55:57 GMT
ステータス: 処理完了
システム内更新日: 2021-12-14 19:19:18.132645
Title: Nonlinear pile-up separation with LSTM neural networks for cryogenic particle detectors
Title（参考訳）: 低温粒子検出器のためのLSTMニューラルネットワークを用いた非線形積層分離
Authors: Felix Wagner
Abstract要約: 低温粒子検出器を用いた高バックグラウンド・キャリブレーション測定では、リコイル現象の蓄積により露光のかなりの割合が失われる。本稿では,LSTMニューラルネットワークを用いてイベントを分離する手法を提案し,その性能を模範的なデータセット上で評価する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In high-background or calibration measurements with cryogenic particle detectors, a significant share of the exposure is lost due to pile-up of recoil events. We propose a method for the separation of pile-up events with an LSTM neural network and evaluate its performance on an exemplary data set. Despite a non-linear detector response function, we can reconstruct the ground truth of a severely distorted energy spectrum reasonably well.
Abstract（参考訳）: 低温粒子検出器を用いた高バックグラウンド・キャリブレーション測定では、リコイル現象の蓄積により露光のかなりの割合が失われる。本稿では,LSTMニューラルネットワークを用いてイベントを分離する手法を提案し,その性能を模範的なデータセット上で評価する。非線型検出器応答関数にもかかわらず、ひどく歪んだエネルギースペクトルの基底真実を合理的に再構築することができる。

関連論文リスト

Generalizable Non-Line-of-Sight Imaging with Learnable Physical Priors [52.195637608631955]
非視線画像(NLOS)は、その潜在的な応用により注目されている。既存のNLOS再構成アプローチは、経験的物理的前提に依存して制約される。本稿では,Learningable Path Compensation(LPC)とAdaptive Phasor Field(APF)の2つの主要な設計を含む,学習に基づく新しいソリューションを提案する。
論文参考訳（メタデータ） (2024-09-21T04:39:45Z)
Anomaly Detection of Tabular Data Using LLMs [54.470648484612866]
我々は,事前訓練された大規模言語モデル (LLM) がゼロショットバッチレベルの異常検出器であることを示す。本稿では,実異常検出におけるLCMの潜在性を明らかにするために,エンドツーエンドの微調整手法を提案する。
論文参考訳（メタデータ） (2024-06-24T04:17:03Z)
Energy-Based Models for Anomaly Detection: A Manifold Diffusion Recovery Approach [12.623417770432146]
本稿では,データ内の低次元構造を利用した異常検出のための新しいエネルギーベースモデル(EBM)のトレーニング手法を提案する。提案したアルゴリズムであるManifold Projection-Diffusion Recovery (MPDR) は、トレーニングデータセットを近似した低次元多様体に沿ったデータポイントを摂動する。実験の結果,MPDRは多種多様なデータ型を含む様々な異常検出タスクに対して高い性能を示すことがわかった。
論文参考訳（メタデータ） (2023-10-28T11:18:39Z)
Deep learning for full-field ultrasonic characterization [7.120879473925905]
本研究では、最近の機械学習の進歩を活用して、物理に基づくデータ分析プラットフォームを構築する。直接反転と物理インフォームドニューラルネットワーク(PINN)の2つの論理について検討した。
論文参考訳（メタデータ） (2023-01-06T05:01:05Z)
Unsupervised denoising for sparse multi-spectral computed tomography [2.969056717104372]
我々は,64チャンネルPCD-CTのスパース測定から高品質な再構成を実現するための課題に対して,学習に基づく改善が適しているかを検討した。本稿では, 再構成における異なるフィルタ関数と, スペクトルチャネルと核ノルムとの明示的な結合を利用して, 教師なしのデノベーションとアーティファクトの除去手法を提案する。
論文参考訳（メタデータ） (2022-11-02T14:36:24Z)
Macroscopic noise amplification by asymmetric dyads in non-Hermitian optical systems for generative diffusion models [55.2480439325792]
非対称な非エルミートダイアドは、効率的なセンサーと超高速な乱数発生器の候補である。このような非対称なダイアドからの集積光放射は、機械学習の全光学的退化拡散モデルに効率的に利用できる。
論文参考訳（メタデータ） (2022-06-24T10:19:36Z)
Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with impured training data [53.122045119395594]
トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。 AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
論文参考訳（メタデータ） (2022-04-12T13:05:18Z)
Bayesian Uncertainty Estimation of Learned Variational MRI Reconstruction [63.202627467245584]
我々は,モデル不連続な不確かさを定量化するベイズ変分フレームワークを提案する。提案手法はMRIのアンダーサンプを用いた再建術の術後成績を示す。
論文参考訳（メタデータ） (2021-02-12T18:08:14Z)
Parameter Estimation using Neural Networks in the Presence of Detector Effects [4.230838081898361]
ヒストグラムベースのテンプレートフィッティングは、高エネルギー物理モンテカルロ発生器のパラメータを推定する主要な手法である。パラメタライズされたニューラルネットワークの再重み付けは、このフィッティング手順を多くの次元に拡張するために使用することができ、ビンニングを必要としない。我々は、検出器シミュレーションを伴う1つのデータセットと、検出効果を含まない1つの世代レベルのデータセットのみを必要とする、新しい2段階のフィッティングアプローチを導入する。
論文参考訳（メタデータ） (2020-10-07T18:00:01Z)
Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文参考訳（メタデータ） (2020-09-29T21:17:16Z)
X-ray Photon-Counting Data Correction through Deep Learning [3.535670189300134]
深層ニューラルネットワークを用いたPCDデータ補正手法を提案する。本研究ではまず,電荷分割とパルス蓄積効果を取り入れた完全シミュレーションモデルを構築した。シミュレーションされたPCDデータと地上の真理のデータは、PCDデータ修正のために特別に設計されたディープ・敵ネットワークに送られる。
論文参考訳（メタデータ） (2020-07-06T23:29:16Z)

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。