論文の概要: Improved selective background Monte Carlo simulation at Belle II with
graph attention networks and weighted events
- arxiv url: http://arxiv.org/abs/2307.06434v1
- Date: Wed, 12 Jul 2023 19:58:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-14 16:36:43.753042
- Title: Improved selective background Monte Carlo simulation at Belle II with
graph attention networks and weighted events
- Title(参考訳): グラフアテンションネットワークと重み付きイベントを用いたベルIIにおける選択的背景モンテカルロシミュレーションの改善
- Authors: Boyang Yu, Nikolai Hartmann, Luca Schinnerl, Thomas Kuhr
- Abstract要約: グラフニューラルネットワークを用いたフィルタは、早期に導入され、検出器シミュレーションと分析レベルで破棄されたイベントの再構築のためのリソースを節約する。
本研究では,グラフアテンションを用いてフィルタの性能を改善し,サンプリングや再重み付けなどの統計的手法を用いてフィルタのバイアスに対処する。
- 参考スコア(独自算出の注目度): 4.100550356612001
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When measuring rare processes at Belle II, a huge luminosity is required,
which means a large number of simulations are necessary to determine signal
efficiencies and background contributions. However, this process demands high
computation costs while most of the simulated data, in particular in case of
background, are discarded by the event selection. Thus, filters using graph
neural networks are introduced at an early stage to save the resources for the
detector simulation and reconstruction of events discarded at analysis level.
In our work, we improved the performance of the filters using graph attention
and investigated statistical methods including sampling and reweighting to deal
with the biases introduced by the filtering.
- Abstract(参考訳): ベルIIで希少な過程を測定する際には、大きな光度が必要であり、信号効率と背景貢献を決定するために大量のシミュレーションが必要である。
しかし、このプロセスでは高い計算コストが要求され、シミュレーションされたデータ、特に背景データの多くはイベントセレクションによって破棄される。
これにより、グラフニューラルネットワークを用いたフィルタが早期に導入され、分析レベルで廃棄された事象の検出器シミュレーションや再構成のためのリソースが節約される。
本研究では,グラフアテンションを用いてフィルタの性能を改善し,サンプリングや再重み付けなどの統計的手法を用いてフィルタのバイアスに対処する。
関連論文リスト
- Continual Learning in Predictive Autoscaling [17.438074717702726]
予測オートスケーリングは、動的クラウド環境におけるサービスレベルの目標(SLO)を保証するために、サーバのワークロードを予測し、事前にリソースを準備するために使用される。
本稿では,リプレイに基づく連続学習手法,すなわち密度ベースのメモリ選択とHintベースのネットワーク学習モデルを提案する。
提案手法は、メモリ容量と予測精度の観点から、最先端の連続学習法より優れている。
論文 参考訳(メタデータ) (2023-07-29T09:29:09Z) - Surrogate Neural Networks for Efficient Simulation-based Trajectory
Planning Optimization [28.292234483886947]
本稿では、ニューラルネットワークの形で代理モデルを用いて、参照軌道のシミュレーションに基づく最適化の計算時間を短縮する手法を提案する。
提案手法は,従来よりも74%優れた参照軌道が得られており,計算時間が大幅に短縮されることが明らかとなった。
論文 参考訳(メタデータ) (2023-03-30T15:44:30Z) - Lamarr: LHCb ultra-fast simulation based on machine learning models
deployed within Gauss [0.0]
LHCb実験における検出器応答と再構成アルゴリズムの両方をパラメータ化するシミュレーション生成を高速化するフレームワークであるLamarrについて論じる。
複数のアルゴリズムと戦略を駆使した深部生成モデルを用いて、LHCb検出器の単一成分の高レベル応答を効果的にパラメータ化する。
論文 参考訳(メタデータ) (2023-03-20T20:18:04Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-27T20:53:39Z) - Avoiding Post-Processing with Event-Based Detection in Biomedical
Signals [69.34035527763916]
学習対象としてイベントを直接扱うイベントベースのモデリングフレームワークを提案する。
イベントベースのモデリング(後処理なし)は、広範囲な後処理を伴うエポックベースのモデリングと同等以上のパフォーマンスを示す。
論文 参考訳(メタデータ) (2022-09-22T13:44:13Z) - Minority Report: A Graph Network Oracle for In Situ Visualization [1.6058099298620423]
本稿では,大規模シミュレーションにおいて期待される臨界領域を特定するために,機械学習に基づくシミュレーションサロゲートをオラクルとして使用する可能性を示す。
我々は,粒状流の物質点シミュレーションのために,TACC GalaxyとCB-Geo MPMを統合した分散非同期その場可視化を開発した。
PyTorch-based 3D Graph Network Simulator (GNS) を用いて粒状フローのダイナミクスを予測する。
論文 参考訳(メタデータ) (2022-06-25T16:06:45Z) - Test-time Batch Normalization [61.292862024903584]
ディープニューラルネットワークは、トレーニングとテストの間のデータ分散シフトに悩まされることが多い。
トレーニングプロセスにおけるバッチ正規化(BN)を再検討し、テスト時の最適化に有効な2つの重要な洞察を明らかにします。
本稿では,エントロピー損失を最小限に抑えて,テスト中に最適化された新しいBN層設計GpreBNを提案する。
論文 参考訳(メタデータ) (2022-05-20T14:33:39Z) - Improved Speech Emotion Recognition using Transfer Learning and
Spectrogram Augmentation [56.264157127549446]
音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。
SERの主な課題の1つは、データの不足である。
本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
論文 参考訳(メタデータ) (2021-08-05T10:39:39Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳(メタデータ) (2021-06-10T04:21:20Z) - Data Augmentation at the LHC through Analysis-specific Fast Simulation
with Deep Learning [4.666011151359189]
本稿では,大規模解析用データセットを作成するために設計されたディープニューラルネットワークに基づく高速シミュレーションアプリケーションを提案する。
本稿では,大量のジェネレータレベルのイベントから始まる高速シミュレーションワークフローを提案する。
論文 参考訳(メタデータ) (2020-10-05T07:48:45Z) - Understanding the Effects of Data Parallelism and Sparsity on Neural
Network Training [126.49572353148262]
ニューラルネットワークトレーニングにおける2つの要因として,データ並列性と疎性について検討する。
有望なメリットにもかかわらず、ニューラルネットワークトレーニングに対する彼らの影響を理解することは、依然として明白である。
論文 参考訳(メタデータ) (2020-03-25T10:49:22Z)
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。