論文の概要: On the Evaluation of Generative Models in High Energy Physics
- arxiv url: http://arxiv.org/abs/2211.10295v1
- Date: Fri, 18 Nov 2022 15:36:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 16:02:08.659452
- Title: On the Evaluation of Generative Models in High Energy Physics
- Title（参考訳）: 高エネルギー物理における生成モデルの評価について
- Authors: Raghav Kansal and Anni Li and Javier Duarte and Nadezda Chernyavskaya
and Maurizio Pierini and Breno Orzari and Thiago Tomei
- Abstract要約: 生成モデルの故障モードに対する評価指標とその感度に関する最初の体系的レビューと調査を行う。
我々はFr'echetとカーネル物理距離(FPDとKPD)の2つの新しい指標を提案し、その性能を計測する様々な実験を行った。
提案手法の有効性を検証し, 新規な注目型生成逆数粒子変換器と, 最先端のメッセージ通過型生成逆数ネットワークジェットシミュレーションモデルとの比較を行った。
- 参考スコア（独自算出の注目度）: 7.545095780512178
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There has been a recent explosion in research into machine-learning-based
generative modeling to tackle computational challenges for simulations in high
energy physics (HEP). In order to use such alternative simulators in practice,
we need well defined metrics to compare different generative models and
evaluate their discrepancy from the true distributions. We present the first
systematic review and investigation into evaluation metrics and their
sensitivity to failure modes of generative models, using the framework of
two-sample goodness-of-fit testing, and their relevance and viability for HEP.
Inspired by previous work in both physics and computer vision, we propose two
new metrics, the Fr\'echet and kernel physics distances (FPD and KPD), and
perform a variety of experiments measuring their performance on simple
Gaussian-distributed, and simulated high energy jet datasets. We find FPD, in
particular, to be the most sensitive metric to all alternative jet
distributions tested and recommend its adoption, along with the KPD and
Wasserstein distances between individual feature distributions, for evaluating
generative models in HEP. We finally demonstrate the efficacy of these proposed
metrics in evaluating and comparing a novel attention-based generative
adversarial particle transformer to the state-of-the-art message-passing
generative adversarial network jet simulation model.
- Abstract（参考訳）: 高エネルギー物理学(hep)におけるシミュレーションの計算課題に取り組むために、機械学習に基づく生成モデリングの研究が最近急増している。
このような代替シミュレータを実際に使用するためには、異なる生成モデルを比較し、真の分布との相違を評価するために、適切に定義されたメトリクスが必要である。
本稿では,2サンプルの適合性試験の枠組みとHEPの妥当性と有効性を用いて,評価指標とその生成モデルの故障モードに対する感度に関する最初の体系的な検討と検討を行う。
物理とコンピュータビジョンの両方の過去の研究に触発されて、fr\'echetとkernel physics distances(fpdとkpd)という2つの新しいメトリクスを提案し、単純なガウス分布と高エネルギージェットデータセットの性能を測定する様々な実験を行い、シミュレーションした。
特に FPD は, 個々の特徴分布間の KPD と Wasserstein 距離とともに, HEP における生成モデルの評価において, 試験された他のジェット分布に対して最も敏感な指標であり, 採用を推奨している。
提案手法の有効性を実証し,新しい注目型生成逆数粒子変換器と最先端のメッセージパス型生成逆数ネットワークジェットシミュレーションモデルとの比較を行った。
関連論文リスト
- Refereeing the Referees: Evaluating Two-Sample Tests for Validating Generators in Precision Sciences [0.0]
1次元テストは、他の多変量メトリクスに匹敵する感度のレベルを提供するが、計算コストは著しく低い。
この方法論は、モデル比較のための効率的で標準化されたツールを提供し、より高度なテストのベンチマークとして機能する。
論文 参考訳（メタデータ） (2024-09-24T13:58:46Z) - Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - Multivariate Physics-Informed Convolutional Autoencoder for Anomaly Detection in Power Distribution Systems with High Penetration of DERs [0.0]
本稿では,物理インフォームド・コンボリューション・オートエンコーダ(PIConvAE)モデルを提案する。
提案モデルの性能評価は,カリフォルニア州リバーサイドのIEEE 123バスシステムと実世界の給電システムを用いて行った。
論文 参考訳（メタデータ） (2024-06-05T04:28:57Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Deep Generative Models for Ultra-High Granularity Particle Physics Detector Simulation: A Voyage From Emulation to Extrapolation [0.0]
この論文は、ベルIIの実験でPixel Vertex Detector (PXD)のこの課題を克服することを目的としている。
本研究は、粒子物理学における超高粒度検出器シミュレーションに深部生成モデルを用いた結果について初めて紹介する。
論文 参考訳（メタデータ） (2024-03-05T23:12:47Z) - Deep Generative Models for Detector Signature Simulation: A Taxonomic Review [0.0]
粒子物理学検出器からの信号は衝突の物理を符号化する低レベル物体(エネルギー沈降や軌道など)である。
検出器におけるそれらの完全なシミュレーションは、計算と記憶集約的なタスクである。
我々は,検出器シグネチャのシミュレーションについて,既存の文献の包括的かつ徹底的な分類学的レビューを行う。
論文 参考訳（メタデータ） (2023-12-15T08:27:39Z) - Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。
EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。
本研究では,協調拡散回復可能性 (CDRL) を提案する。
論文 参考訳（メタデータ） (2023-09-10T22:05:24Z) - MATNet: Multi-Level Fusion Transformer-Based Model for Day-Ahead PV
Generation Forecasting [0.47518865271427785]
MATNetはPV発電予測のための新しい自己アテンショントランスフォーマーベースのアーキテクチャである。
これは、AIパラダイムとPV発電に関する以前の物理的知識を組み合わせたハイブリッドアプローチで構成されている。
その結果,提案アーキテクチャは現在の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2023-06-17T14:03:09Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳（メタデータ） (2023-04-04T17:54:32Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - MoEfication: Conditional Computation of Transformer Models for Efficient
Inference [66.56994436947441]
トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。
スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。
そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
論文 参考訳（メタデータ） (2021-10-05T02:14:38Z)
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。