論文の概要: Do graph neural networks learn traditional jet substructure?

• arxiv url: http://arxiv.org/abs/2211.09912v1
• Date: Thu, 17 Nov 2022 22:08:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-21 16:03:48.813021
• Title: Do graph neural networks learn traditional jet substructure?
• Title（参考訳）: グラフニューラルネットワークは従来のジェットサブ構造を学ぶか?
• Authors: Farouk Mokhtar, Raghav Kansal, Javier Duarte
• Abstract要約: グラフニューラルネットワークは、ジェットを内部の粒子間の基礎的で学習可能なエッジ接続を持つ点雲として扱うために使われてきた。 本稿では,最先端ネットワークであるParticleNetにおけるエッジ接続の特定による意思決定プロセスについて検討する。 モデルが訓練されるにつれて、サブジェットとして知られる粒子の異なる中間クラスターを接続する関係エッジの分布の変化が観察される。
• 参考スコア（独自算出の注目度）: 11.562331287684541
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: At the CERN LHC, the task of jet tagging, whose goal is to infer the origin of a jet given a set of final-state particles, is dominated by machine learning methods. Graph neural networks have been used to address this task by treating jets as point clouds with underlying, learnable, edge connections between the particles inside. We explore the decision-making process for one such state-of-the-art network, ParticleNet, by looking for relevant edge connections identified using the layerwise-relevance propagation technique. As the model is trained, we observe changes in the distribution of relevant edges connecting different intermediate clusters of particles, known as subjets. The resulting distribution of subjet connections is different for signal jets originating from top quarks, whose subjets typically correspond to its three decay products, and background jets originating from lighter quarks and gluons. This behavior indicates that the model is using traditional jet substructure observables, such as the number of prongs -- energetic particle clusters -- within a jet, when identifying jets.
• Abstract（参考訳）: CERN LHCでは、最終状態粒子の集合が与えられたジェットの起源を推測するジェットタグのタスクが機械学習手法によって支配されている。 グラフニューラルネットワークは、ジェットを内部の粒子間の基盤、学習可能なエッジ接続を持つポイントクラウドとして扱うことで、この問題に対処するために使用されている。 本研究では,そのような最先端ネットワークである particlenet の意思決定過程を,層状関係伝播法を用いて特定したエッジ接続を探索することにより検討する。 モデルが訓練されるにつれて、サブジェットと呼ばれる異なる中間粒子のクラスターを接続する関連エッジの分布の変化が観察される。 結果として生じるサブジェット接続の分布は、通常は3つの崩壊生成物に対応するトップクォーク由来の信号ジェットと、より軽いクォークとグルーオン由来のバックグラウンドジェットとでは異なる。 この挙動は、モデルがジェットを識別する際に、ジェット内におけるプロングの数(エネルギー粒子クラスター)のような従来のジェットサブストラクタを使用していることを示している。

関連論文リスト

• A multicategory jet image classification framework using deep neural network [0.9350546589421261]
  著者らは、粒子とジェットの特徴抽出によるジェットカテゴリー分離性に注目し、その結果、ジェット分類のための計算効率の良い解釈可能なモデルを生み出した。 この研究は、分離可能な潜在空間で表される高次元データセットがジェット分類のためのより単純なアーキテクチャをもたらすことを示した。
  論文  参考訳（メタデータ） (2024-07-03T22:00:35Z)
• Flow Matching Beyond Kinematics: Generating Jets with Particle-ID and Trajectory Displacement Information [0.0]
  我々はJetClassデータセットでトレーニングされた最初の生成モデルを紹介する。 本モデルでは, 構成レベルでジェットを発生させ, 流れマッチング法でトレーニングした変分同変連続正規化流(CNF)である。 また,ジェット部品の運動特性を超越した生成モデルも導入した。
  論文  参考訳（メタデータ） (2023-11-30T19:00:02Z)
• PCN: A Deep Learning Approach to Jet Tagging Utilizing Novel Graph Construction Methods and Chebyshev Graph Convolutions [0.0]
  ジェットタグは高エネルギー物理実験における分類問題である。 現在のアプローチでは、複雑な衝突データに隠れたパターンを明らかにするためにディープラーニングを使用している。 可能な限り多くの情報をエンコードするジェットのグラフベース表現を提案する。
  論文  参考訳（メタデータ） (2023-09-12T23:20:19Z)
• Geometric Graph Filters and Neural Networks: Limit Properties and Discriminability Trade-offs [122.06927400759021]
  本稿では,グラフニューラルネットワーク (GNN) と多様体ニューラルネットワーク (MNN) の関係について検討する。 これらのグラフ上の畳み込みフィルタとニューラルネットワークが連続多様体上の畳み込みフィルタとニューラルネットワークに収束することを示す。
  論文  参考訳（メタデータ） (2023-05-29T08:27:17Z)
• Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
  本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。 このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
  論文  参考訳（メタデータ） (2023-03-10T20:36:23Z)
• Structure Embedded Nucleus Classification for Histopathology Images [51.02953253067348]
  ほとんどのニューラルネットワークに基づく手法は、局所的な畳み込みの受容領域に影響を受けている。 本稿では,核輪郭を順にサンプリングした点列に変換する新しい多角構造特徴学習機構を提案する。 次に、核をノードとするグラフ構造に組織像を変換し、その表現に核の空間分布を埋め込むグラフニューラルネットワークを構築する。
  論文  参考訳（メタデータ） (2023-02-22T14:52:06Z)
• Tangent Bundle Filters and Neural Networks: from Manifolds to Cellular Sheaves and Back [114.01902073621577]
  畳み込みを用いて、タンジェントバンドルフィルタとタンジェントバンドルニューラルネットワーク(TNN)を定義する。 我々は、TNNを時間領域と空間領域の両方で識別し、その離散性は、最近導入されたSheaf Neural Networksの原則的な変種であることを示す。 単体2次元球面上の接ベクトル場の復調作業における提案手法の有効性を数値的に評価する。
  論文  参考訳（メタデータ） (2022-10-26T21:55:45Z)
• Transformer with Implicit Edges for Particle-based Physics Simulation [135.77656965678196]
  Implicit Edges (TIE) を用いたトランスフォーマーは、素粒子相互作用のリッチなセマンティクスをエッジフリーでキャプチャする。 様々な複雑さと素材の多様な領域におけるモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-07-22T03:45:29Z)
• Particle Cloud Generation with Message Passing Generative Adversarial Networks [14.737885252814273]
  高エネルギー物理学では、ジェットは粒子衝突でユビキタスに生成される相関粒子の集合である。 GAN(Generative Adversarial Network)のような機械学習に基づく生成モデルは、LHCジェットシミュレーションを著しく加速する可能性がある。 我々は新しい粒子クラウドデータセット(JetNet)を導入し、粒子と点クラウドの類似性から、既存の点クラウドGANに適用する。
  論文  参考訳（メタデータ） (2021-06-22T04:21:16Z)
• Image-Based Jet Analysis [2.5382095320488665]
  画像ベースのジェット解析は、高エネルギー物理学とコンピュータビジョンとディープラーニングの直接接続を可能にするジェット画像表現上に構築されている。 我々は,これらのモデルが学んだこと,不確実性に対する感受性を理解するための手法について検討する。 ジェットの分類以外にも,エネルギ推定,積み上げノイズ低減,データ生成,異常検出など,ジェット画像に基づく手法の応用について検討した。
  論文  参考訳（メタデータ） (2020-12-17T16:42:29Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)

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。