Fugu-MT 論文翻訳(概要): Comparing machine learning models for tau triggers

論文の概要: Comparing machine learning models for tau triggers

arxiv url: http://arxiv.org/abs/2306.06743v1
Date: Sun, 11 Jun 2023 18:41:23 GMT
ステータス: 処理完了
システム内更新日: 2023-06-13 16:56:08.535179
Title: Comparing machine learning models for tau triggers
Title（参考訳）: タウトリガーの機械学習モデルの比較
Authors: Maayan Yaary (1 and 2), Uriel Barron (1), Luis Pascual Dom\'inguez (1), Boping Chen (1), Liron Barak (1), Erez Etzion (1), Raja Giryes (2) ((1) Raymond and Beverly Sackler School of Physics and Astronomy, Tel Aviv University, Tel Aviv, Israel (2) School of Electrical Engineering, Tel Aviv University, Tel Aviv, Israel)
Abstract要約: 本稿では,陽子-陽子衝突子におけるハドロン崩壊したタウレプトンのリアルタイム選択(トリガリング)のための新しい教師付き学習手法を提案する。
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: This paper introduces novel supervised learning techniques for real-time selection (triggering) of hadronically decaying tau leptons in proton-proton colliders. By implementing classic machine learning decision trees and advanced deep learning models, such as Multi-Layer Perceptron or residual NN, visible improvements in performance compared to standard tau triggers are observed. We show how such an implementation may lower the current energy thresholds, thus contributing to increasing the sensitivity of searches for new phenomena in proton-proton collisions classified by low-energy tau leptons.
Abstract（参考訳）: 本稿では,陽子-陽子衝突子におけるハドロン崩壊したタウレプトンのリアルタイム選択(トリガリング)のための新しい教師付き学習手法を提案する。古典的な機械学習決定木と、マルチ層パーセプトロンや残留NNのような高度なディープラーニングモデルを実装することにより、標準的なタウトリガと比較して、パフォーマンスの目に見える改善が観察される。このような実装が現在のエネルギー閾値を低下させる可能性を示し、低エネルギーtauレプトンによって分類された陽子-陽子衝突における新しい現象の探索の感度を高める。

関連論文リスト

Decorrelating neurons using persistence [29.25969187808722]
2つの正規化項は、クリッドの最小スパンニングツリーの重みから計算される。ニューロン間の相関関係を最小化することで、正規化条件よりも低い精度が得られることを示す。正規化の可微分性の証明を含むので、最初の効果的なトポロジカルな永続性に基づく正規化用語を開発することができる。
論文参考訳（メタデータ） (2023-08-09T11:09:14Z)
How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文参考訳（メタデータ） (2023-06-04T08:53:27Z)
Neuro-symbolic model for cantilever beams damage detection [0.0]
本稿では,新しい認知アーキテクチャに基づくカンチレバービームの損傷検出のためのニューロシンボリックモデルを提案する。ハイブリッド識別モデルはLogic Convolutional Neural Regressorという名称で導入されている。
論文参考訳（メタデータ） (2023-05-04T13:12:39Z)
Spiking neural network for nonlinear regression [68.8204255655161]
スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
論文参考訳（メタデータ） (2022-10-06T13:04:45Z)
Extrapolation and Spectral Bias of Neural Nets with Hadamard Product: a Polynomial Net Study [55.12108376616355]
NTKの研究は典型的なニューラルネットワークアーキテクチャに特化しているが、アダマール製品(NNs-Hp)を用いたニューラルネットワークには不完全である。本研究では,ニューラルネットワークの特別なクラスであるNNs-Hpに対する有限幅Kの定式化を導出する。我々は,カーネル回帰予測器と関連するNTKとの等価性を証明し,NTKの適用範囲を拡大する。
論文参考訳（メタデータ） (2022-09-16T06:36:06Z)
Spiking Neural Networks for Frame-based and Event-based Single Object Localization [26.51843464087218]
スパイクニューラルネットワークは、人工ニューラルネットワークに代わるエネルギー効率の高い代替手段として、多くの可能性を示してきた。代用勾配降下法を用いて学習した単一物体の局所化に対するスパイクニューラルネットワークアプローチを提案する。提案手法を類似の人工知能ニューラルネットワークと比較した結果, 精度, 各種汚損対策, エネルギー消費量の低減が得られた。
論文参考訳（メタデータ） (2022-06-13T22:22:32Z)
The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
論文参考訳（メタデータ） (2022-02-27T23:12:43Z)
Deep Neural Network as an alternative to Boosted Decision Trees for PID [0.0]
Roe et alで提案された粒子の二元分類法を再現し、改善する。 (2005)論文「粒子識別のためのニューラルネットワークの代替としてのブースト決定木」現代の技術を用いて、精度とトレーニング時間の両方において、元の結果をどのように改善できるかを示す。
論文参考訳（メタデータ） (2021-04-28T23:32:42Z)
The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文参考訳（メタデータ） (2020-12-07T01:20:38Z)
Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。上記の問題に対処するための特徴歪み法(Disout)を提案する。より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
論文参考訳（メタデータ） (2020-02-23T13:59:13Z)

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。