論文の概要: Unbinned Profiled Unfolding
- arxiv url: http://arxiv.org/abs/2302.05390v3
- Date: Fri, 7 Jul 2023 20:04:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 22:29:06.999128
- Title: Unbinned Profiled Unfolding
- Title（参考訳）: unbinned profiled の展開
- Authors: Jay Chan, Benjamin Nachman
- Abstract要約: 展開は、検出器効果を補正する粒子物理学実験において重要な手順である。
そこで本稿では,非結合な差分断面を生じる機械学習に基づく新しい展開手法を提案する。
- 参考スコア（独自算出の注目度）: 2.0813318162800707
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unfolding is an important procedure in particle physics experiments which
corrects for detector effects and provides differential cross section
measurements that can be used for a number of downstream tasks, such as
extracting fundamental physics parameters. Traditionally, unfolding is done by
discretizing the target phase space into a finite number of bins and is limited
in the number of unfolded variables. Recently, there have been a number of
proposals to perform unbinned unfolding with machine learning. However, none of
these methods (like most unfolding methods) allow for simultaneously
constraining (profiling) nuisance parameters. We propose a new machine
learning-based unfolding method that results in an unbinned differential cross
section and can profile nuisance parameters. The machine learning loss function
is the full likelihood function, based on binned inputs at detector-level. We
first demonstrate the method with simple Gaussian examples and then show the
impact on a simulated Higgs boson cross section measurement.
- Abstract（参考訳）: 展開は、粒子物理学実験において重要な手順であり、検出器効果を補正し、基礎物理学パラメータの抽出など、下流の多くのタスクに使用できる微分断面積測定を提供する。
伝統的に、展開は対象位相空間を有限個のビンに離散化することで行われ、展開変数の数に制限される。
最近、機械学習で無条件の展開を実行するための提案が数多く出されている。
しかしながら、これらの方法のどれも(ほとんどの展開メソッドのように)同時にニュアンスパラメータを制約することができない。
そこで本研究では,無歯顎差動断面を生じさせ,ニュアサンスパラメータをプロファイルできる新しい機械学習に基づく展開法を提案する。
機械学習損失関数は、検出器レベルでのバイナリ入力に基づいて、完全な可能性関数である。
まず,簡単なガウスの例を用いて本手法を実演し,ヒッグス粒子断面測定のシミュレーションによる影響を示す。
関連論文リスト
- Multidimensional Deconvolution with Profiling [0.28587848809639416]
多くの実験的文脈において、測定を物理的に解釈するためには、機器効果の影響を統計的に除去する必要がある。
我々は,OmniFold (OF) アルゴリズムと同様の反復方式で動作し,ニュアンスパラメータを同時にプロファイリングできる新しいアルゴリズムである Profile OmniFold (POF) を提案する。
論文 参考訳（メタデータ） (2024-09-16T15:52:28Z) - Parameter-Efficient and Memory-Efficient Tuning for Vision Transformer: A Disentangled Approach [87.8330887605381]
本稿では,学習可能なパラメータをわずかに限定して,事前学習した視覚変換器を下流認識タスクに適用する方法を示す。
学習可能で軽量なモジュールを用いてタスク固有のクエリを合成する。
本手法はメモリ制約下での最先端性能を実現し,実環境における適用性を示す。
論文 参考訳（メタデータ） (2024-07-09T15:45:04Z) - Machine-learning-based particle identification with missing data [2.87527787066181]
本研究では,CERNにおけるALICE実験の範囲内での粒子同定(PID)の新たな手法を提案する。
提案手法は,全粒子種に対して選択された試料のPID純度と効率を向上する。
論文 参考訳（メタデータ） (2023-12-21T10:20:10Z) - Designing Observables for Measurements with Deep Learning [0.12277343096128711]
機械学習を用いて,対象とする観測対象を設計することを提案する。
ニューラルネットワーク出力の展開された微分断面は、関心のパラメータに関する最も多くの情報を含んでいる。
深部散乱の包括的測定に2つの物理モデルを用いたシミュレーションでこのアイデアを実証する。
論文 参考訳（メタデータ） (2023-10-12T20:54:34Z) - Less is More: On the Feature Redundancy of Pretrained Models When
Transferring to Few-shot Tasks [120.23328563831704]
事前訓練されたモデルを下流タスクに転送することは、ターゲットデータと線形探索を行うのと同じくらい簡単である。
線形探索では, 下流データが少ない場合に, 事前学習した特徴が極めて冗長であることを示す。
論文 参考訳（メタデータ） (2023-10-05T19:00:49Z) - Particle-Based Score Estimation for State Space Model Learning in
Autonomous Driving [62.053071723903834]
マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。
粒子法を用いて最大形パラメータを学習することを検討する。
自動運転車から収集した実データに本手法を適用した。
論文 参考訳（メタデータ） (2022-12-14T01:21:05Z) - Exploration of Parameter Spaces Assisted by Machine Learning [0.0]
機械学習によるパラメータ空間の探索を改良し、サンプリング手順を実装する様々な機能やクラスを示す。
特に,回帰と分類という,異なる機械学習モデルの導入を支援する2つの手法について論じる。
本稿で使用するコードと使用方法の指示は,Web上で公開されている。
論文 参考訳（メタデータ） (2022-07-20T15:09:16Z) - E-detectors: a nonparametric framework for sequential change detection [86.15115654324488]
逐次的変化検出のための基本的かつ汎用的なフレームワークを開発する。
私たちの手順は、平均走行距離のクリーンで無症状な境界が伴います。
統計的および計算効率の両方を達成するために,これらの混合物を設計する方法を示す。
論文 参考訳（メタデータ） (2022-03-07T17:25:02Z) - Adaptive neighborhood Metric learning [184.95321334661898]
適応的近傍距離距離学習(ANML)という新しい距離距離距離距離距離距離学習アルゴリズムを提案する。
ANMLは線形埋め込みと深層埋め込みの両方を学ぶのに使うことができる。
本手法で提案するemphlog-exp平均関数は,深層学習手法をレビューするための新たな視点を与える。
論文 参考訳（メタデータ） (2022-01-20T17:26:37Z) - Function Approximation via Sparse Random Features [23.325877475827337]
本稿では,圧縮センシングの手法を用いて無作為特徴モデルを学習する分散ランダム特徴量法を提案する。
分散ランダム特徴法は,十分に構造化された機能や科学的機械学習タスクへの応用において,浅層ネットワークよりも優れていることを示す。
論文 参考訳（メタデータ） (2021-03-04T17:53:54Z) - Multi-task Supervised Learning via Cross-learning [102.64082402388192]
我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。
我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。
これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
論文 参考訳（メタデータ） (2020-10-24T21:35:57Z)
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。