Fugu-MT 論文翻訳(概要): Exploring the Universality of Hadronic Jet Classification

論文の概要: Exploring the Universality of Hadronic Jet Classification

arxiv url: http://arxiv.org/abs/2204.03812v1
Date: Fri, 8 Apr 2022 02:08:14 GMT
ステータス: 処理完了
システム内更新日: 2022-04-11 19:35:58.168946
Title: Exploring the Universality of Hadronic Jet Classification
Title（参考訳）: ハドロン噴流分類の普遍性を探る
Authors: Kingman Cheung, Yi-Lun Chung, Shih-Chieh Hsu, and Benjamin Nachman
Abstract要約: 1つのシミュレーションでトレーニングされ、別のシミュレーションでテストされた機械学習モデルが最適である可能性が高いことを示す。我々の観測は、LHCでのヒッグスジェットタグ付けをシミュレーションしたローレンツのシミュレーションに応用された浅層および深層ニューラルネットワークの詳細な研究に基づいている。
参考スコア（独自算出の注目度）: 2.7891023219524063
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The modeling of jet substructure significantly differs between Parton Shower Monte Carlo (PSMC) programs. Despite this, we observe that machine learning classifiers trained on different PSMCs learn nearly the same function. This means that when these classifiers are applied to the same PSMC for testing, they result in nearly the same performance. This classifier universality indicates that a machine learning model trained on one simulation and tested on another simulation (or data) will likely be optimal. Our observations are based on detailed studies of shallow and deep neural networks applied to simulated Lorentz boosted Higgs jet tagging at the LHC.
Abstract（参考訳）: ジェット部分構造のモデル化は、Parton Shower Monte Carlo (PSMC) プログラムとは大きく異なる。それにもかかわらず、異なるPSMCで訓練された機械学習分類器は、ほぼ同じ関数を学習する。これは、これらの分類器がテストのために同じpsmcに適用されると、ほぼ同じ性能になることを意味する。この分類器の普遍性は、あるシミュレーションで訓練され、別のシミュレーション(またはデータ)でテストされた機械学習モデルが最適であることを示している。我々の観測は、lhcにおけるローレンツ・ブースト・ヒッグス・ジェット・タギングシミュレーションに応用された浅層および深層ニューラルネットワークの詳細な研究に基づいている。

関連論文リスト

KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文参考訳（メタデータ） (2024-07-18T05:48:24Z)
Investigating the Robustness of Counterfactual Learning to Rank Models: A Reproducibility Study [61.64685376882383]
ランク付け学習(CLTR: Counterfactual Learning to rank)は、IRコミュニティにおいて、ログ化された大量のユーザインタラクションデータを活用してランキングモデルをトレーニングする能力において、大きな注目を集めている。本稿では,複雑かつ多様な状況における既存のCLTRモデルのロバスト性について検討する。その結果, DLAモデルとIPS-DCMは, PS-PBMやPSSよりも, オフラインの確率推定による堅牢性が高いことがわかった。
論文参考訳（メタデータ） (2024-04-04T10:54:38Z)
MT-HCCAR: Multi-Task Deep Learning with Hierarchical Classification and Attention-based Regression for Cloud Property Retrieval [4.24122904716917]
本稿では,マルチタスク学習を用いたエンドツーエンドディープラーニングモデルMT-HCCARを紹介し,クラウドマスキング,クラウドフェーズ検索,COT予測について述べる。 MT-HCCARは階層型分類ネットワーク(HC)と分類支援型注意ベース回帰ネットワーク(CAR)を統合し、クラウドラベリングとCOT予測の精度と堅牢性を高める。
論文参考訳（メタデータ） (2024-01-29T19:50:50Z)
Lorentz group equivariant autoencoders [6.858459233149096]
Lorentz group autoencoder (LGAE) 正規直交ローレンツ群 $mathrmSO+(2,1)$ に対して自己エンコーダモデル同型を開発する。我々はLHCのジェット機のアーキテクチャと実験結果を示し、いくつかの圧縮、再構成、異常検出の指標に基づいて、グラフと畳み込みニューラルネットワークのベースラインモデルより優れています。
論文参考訳（メタデータ） (2022-12-14T17:19:46Z)
Linear Connectivity Reveals Generalization Strategies [54.947772002394736]
微調整されたモデルのいくつかは、それらの間の線形経路における損失を増大させる大きな障壁を持つ。テスト損失面上で線形に接続されているが、クラスタ外のモデルから切り離されている異なるモデルのクラスタが見つかる。我々の研究は、損失面の幾何学がモデルを異なる関数へと導く方法を示している。
論文参考訳（メタデータ） (2022-05-24T23:43:02Z)
Development of Interpretable Machine Learning Models to Detect Arrhythmia based on ECG Data [0.0]
この論文は、最先端モデルに基づいた畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)分類器を構築する。大域的および局所的解釈可能性法は、依存変数と独立変数の相互作用を理解するために利用される。提案したCNNモデルとLSTMモデルの予測を説明する上で,Grad-Camが最も効果的な解釈可能性技術であることが判明した。
論文参考訳（メタデータ） (2022-05-05T17:29:33Z)
Quantum Machine Learning for $b$-jet charge identification [0.0]
本稿では,LHCb実験のシミュレーションデータに応用された変分量子をベースとして,ジェットが生産時に$b$または$barbクォークによって形成されたハドロンを含むかどうかを同定する新しい手法を提案する。
論文参考訳（メタデータ） (2022-02-28T16:48:27Z)
Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文参考訳（メタデータ） (2022-02-17T07:56:46Z)
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)
Network Classifiers Based on Social Learning [71.86764107527812]
空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
論文参考訳（メタデータ） (2020-10-23T11:18:20Z)
Predicting Chemical Properties using Self-Attention Multi-task Learning based on SMILES Representation [0.0]
本研究では,変圧器変圧器モデルの構造的差異について検討し,新しい自己注意モデルを提案する。不均衡な化学データセットを用いたマルチタスク学習環境において,自己認識モジュールの表現学習性能を評価した。
論文参考訳（メタデータ） (2020-10-19T09:46:50Z)

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。