論文の概要: EPiC-ly Fast Particle Cloud Generation with Flow-Matching and Diffusion

• arxiv url: http://arxiv.org/abs/2310.00049v1
• Date: Fri, 29 Sep 2023 18:00:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 06:51:17.270020
• Title: EPiC-ly Fast Particle Cloud Generation with Flow-Matching and Diffusion
• Title（参考訳）: フローマッチングと拡散を考慮したエピック高速粒子雲生成
• Authors: Erik Buhmann, Cedric Ewen, Darius A. Faroughy, Tobias Golling, Gregor Kasieczka, Matthew Leigh, Guillaume Qu\'etant, John Andrew Raine, Debajyoti Sengupta, David Shih
• Abstract要約: 本稿では,LHCジェットを点雲として効率的に高精度に生成する2つの新しい手法を提案する。 epcjediとepはどちらも、トップクォークのJetNetデータセット上で最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 0.7255608805275865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Jets at the LHC, typically consisting of a large number of highly correlated particles, are a fascinating laboratory for deep generative modeling. In this paper, we present two novel methods that generate LHC jets as point clouds efficiently and accurately. We introduce \epcjedi, which combines score-matching diffusion models with the Equivariant Point Cloud (EPiC) architecture based on the deep sets framework. This model offers a much faster alternative to previous transformer-based diffusion models without reducing the quality of the generated jets. In addition, we introduce \epcfm, the first permutation equivariant continuous normalizing flow (CNF) for particle cloud generation. This model is trained with {\it flow-matching}, a scalable and easy-to-train objective based on optimal transport that directly regresses the vector fields connecting the Gaussian noise prior to the data distribution. Our experiments demonstrate that \epcjedi and \epcfm both achieve state-of-the-art performance on the top-quark JetNet datasets whilst maintaining fast generation speed. Most notably, we find that the \epcfm model consistently outperforms all the other generative models considered here across every metric. Finally, we also introduce two new particle cloud performance metrics: the first based on the Kullback-Leibler divergence between feature distributions, the second is the negative log-posterior of a multi-model ParticleNet classifier.
• Abstract（参考訳）: LHCのジェットは、典型的には多数の高相関粒子から構成され、深層生成モデルのための魅力的な実験室である。 本稿では,LHCジェットを点雲として効率的に高精度に生成する2つの新しい手法を提案する。 本稿では,スコアマッチング拡散モデルと深層集合フレームワークに基づくEquivariant Point Cloud (EPiC) アーキテクチャを併用した 'epcjedi' を紹介する。 このモデルは、生成したジェットの品質を低下させることなく、従来のトランスフォーマーベースの拡散モデルよりもはるかに高速に代替する。 さらに,粒子雲生成のための最初の置換同変連続正規化流 (cnf) である \epcfm を導入する。 このモデルは、データ分布に先立ってガウスノイズを接続するベクトル場を直接回帰する最適輸送に基づいて、スケーラブルで訓練が容易な目標である {\it flow-matching} を用いて訓練される。 我々の実験は、高速な生成速度を維持しながら、トップクォークJetNetデータセット上で、 \epcjedi と \epcfm が最先端のパフォーマンスを達成することを示した。 最も顕著なことに、 \epcfm モデルはすべての計量で考慮された他の生成モデルよりも一貫して優れている。 最後に,2つの新しいパーティクルクラウド性能指標を紹介した。まず,特徴分布間のKulback-Leibler分散に基づいて,第2はマルチモデルParticleNet分類器の負のログポストである。

関連論文リスト

• Learning to Approximate Particle Smoothing Trajectories via Diffusion Generative Models [16.196738720721417]
  希少な観測からシステムを学ぶことは、生物学、金融学、物理学など多くの分野において重要である。 本研究では,条件付き粒子フィルタリングと祖先サンプリングと拡散モデルを統合する手法を提案する。 車両追跡や単一セルRNAシークエンシングデータなど,時系列生成とタスクにおけるアプローチを実証する。
  論文  参考訳（メタデータ） (2024-06-01T21:54:01Z)
• Boosting Diffusion Models with Moving Average Sampling in Frequency Domain [101.43824674873508]
  拡散モデルは、現在のサンプルに頼って次のサンプルをノイズ化し、おそらく不安定化を引き起こす。 本稿では,反復的復調過程をモデル最適化として再解釈し,移動平均機構を利用して全ての先行サンプルをアンサンブルする。 周波数領域における平均サンプリング(MASF)の動作」という完全なアプローチを命名する。
  論文  参考訳（メタデータ） (2024-03-26T16:57:55Z)
• Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
  その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。 特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
  論文  参考訳（メタデータ） (2023-11-22T15:07:59Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Improving Generative Model-based Unfolding with Schr\"{o}dinger Bridges [14.989614554242229]
  機械学習に基づく展開により、未結合かつ高次元の断面積測定が可能になった。 我々はシュレーディンガーブリッジと拡散モデルを用いてSBUnfoldを作成することを提案する。 SBUnfoldは,合成Z+jetsデータセット上でのアート手法の状態と比較して,優れた性能を示すことを示す。
  論文  参考訳（メタデータ） (2023-08-23T18:01:01Z)
• EPiC-GAN: Equivariant Point Cloud Generation for Particle Jets [0.0]
  EPiC-GAN - 同変点雲生成逆数ネットワーク - を導入し、可変多重性の点雲を生成する。 EPiC-GANは、大規模粒子乗数によく対応し、ベンチマークジェット生成タスクにおける高世代忠実性を実現する。
  論文  参考訳（メタデータ） (2023-01-17T19:00:00Z)
• Fast Sampling of Diffusion Models via Operator Learning [74.37531458470086]
  我々は,拡散モデルのサンプリング過程を高速化するために,確率フロー微分方程式の効率的な解法であるニューラル演算子を用いる。 シーケンシャルな性質を持つ他の高速サンプリング手法と比較して、並列復号法を最初に提案する。 本稿では,CIFAR-10では3.78、ImageNet-64では7.83の最先端FIDを1モデル評価環境で達成することを示す。
  論文  参考訳（メタデータ） (2022-11-24T07:30:27Z)
• 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)
• Go with the Flows: Mixtures of Normalizing Flows for Point Cloud Generation and Reconstruction [98.38585659305325]
  正規化フロー(NF)は、3Dポイントクラウドのモデリングにおける最先端のパフォーマンスを示している。 この研究は、点雲にNFの混合物を適用することで、それらの表現力を高める。
  論文  参考訳（メタデータ） (2021-06-06T14:25:45Z)
• Gaussianization Flows [113.79542218282282]
  そこで本研究では,サンプル生成における効率のよい繰り返しと効率のよい逆変換を両立できる新しい型正規化フローモデルを提案する。 この保証された表現性のため、サンプル生成の効率を損なうことなく、マルチモーダルなターゲット分布をキャプチャできる。
  論文  参考訳（メタデータ） (2020-03-04T08:15:06Z)

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。