論文の概要: Flow Matching Beyond Kinematics: Generating Jets with Particle-ID and
Trajectory Displacement Information
- arxiv url: http://arxiv.org/abs/2312.00123v1
- Date: Thu, 30 Nov 2023 19:00:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-04 16:50:36.725998
- Title: Flow Matching Beyond Kinematics: Generating Jets with Particle-ID and
Trajectory Displacement Information
- Title（参考訳）: 運動学以外のフローマッチング:粒子IDと軌道変位情報を用いたジェットの生成
- Authors: Joschka Birk, Erik Buhmann, Cedric Ewen, Gregor Kasieczka, David Shih
- Abstract要約: 我々はJetClassデータセットでトレーニングされた最初の生成モデルを紹介する。
本モデルでは, 構成レベルでジェットを発生させ, 流れマッチング法でトレーニングした変分同変連続正規化流(CNF)である。
また,ジェット部品の運動特性を超越した生成モデルも導入した。
- 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: We introduce the first generative model trained on the JetClass dataset. Our
model generates jets at the constituent level, and it is a
permutation-equivariant continuous normalizing flow (CNF) trained with the flow
matching technique. It is conditioned on the jet type, so that a single model
can be used to generate the ten different jet types of JetClass. For the first
time, we also introduce a generative model that goes beyond the kinematic
features of jet constituents. The JetClass dataset includes more features, such
as particle-ID and track impact parameter, and we demonstrate that our CNF can
accurately model all of these additional features as well. Our generative model
for JetClass expands on the versatility of existing jet generation techniques,
enhancing their potential utility in high-energy physics research, and offering
a more comprehensive understanding of the generated jets.
- Abstract（参考訳）: jetclassデータセットでトレーニングされた最初の生成モデルを紹介します。
本モデルでは, 構成レベルでジェットを発生させ, 流れマッチング法でトレーニングした変分同変連続正規化流(CNF)である。
ジェット型を条件としているので、1つのモデルを使って10種類のジェットクラスを生成することができる。
また, ジェット構成要素の運動的特徴を超越した生成モデルも初めて導入した。
jetclassデータセットには、particle-idやtrack impactパラメータなど、さらに多くの機能が含まれています。
我々のJetClass生成モデルは、既存のジェット発生技術の汎用性を拡張し、高エネルギー物理学研究における可能性を高め、生成したジェットのより包括的な理解を提供する。
関連論文リスト
- OmniJet-$α$: The first cross-task foundation model for particle physics [0.0]
ファンデーションモデルはマルチデータセットとマルチタスクの機械学習手法で、一度トレーニングされたら、様々なダウンストリームアプリケーションのために微調整できる。
我々は,この課題について,いくつかの点で大きな進展を報告している。
我々は、教師なし問題(ジェット世代)と教師なしタスク(ジェットタグ付け)の移行学習を、新しいOmniJet-$alpha$モデルで実証する。
論文 参考訳（メタデータ） (2024-03-08T19:00:01Z) - 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) - EPiC-ly Fast Particle Cloud Generation with Flow-Matching and Diffusion [0.7255608805275865]
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。
論文 参考訳（メタデータ） (2023-09-29T18:00:03Z) - Towards Efficient Task-Driven Model Reprogramming with Foundation Models [52.411508216448716]
ビジョンファウンデーションモデルは、非常に大きなモデルキャパシティと幅広いトレーニングデータから恩恵を受け、印象的なパワーを示す。
しかし、実際には、下流のシナリオは限られた計算資源や効率上の考慮のため、小さなモデルしかサポートできない。
これは、ファンデーションモデルの現実的な応用に重要な課題をもたらします。
論文 参考訳（メタデータ） (2023-04-05T07:28:33Z) - PC-JeDi: Diffusion for Particle Cloud Generation in High Energy Physics [0.8246494848934447]
我々は,PC-JeDiと呼ばれる高エネルギー物理学においてジェットを効率的に生成する新しい手法を提案する。
本手法は, 粒子雲としてジェットを生成する作業に適した変圧器とともに, スコアベース拡散モデルを用いる。
PC-JeDiは、発生したジェットの質を評価するいくつかの指標で、現在の最先端手法と競合する性能を達成している。
論文 参考訳（メタデータ） (2023-03-09T16:23:49Z) - Particle Transformer for Jet Tagging [4.604003661048267]
ジェットタグのための新しい包括的データセットであるJetClassを提示する。
データセットは100Mジェットで構成され、既存の公開データセットよりも約2桁大きい。
我々は、ParT(Particle Transformer)と呼ばれるジェットタグのためのトランスフォーマーベースの新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-02-08T10:36:29Z) - Controllable and Compositional Generation with Latent-Space Energy-Based
Models [60.87740144816278]
制御可能な生成は、現実世界のアプリケーションで深層生成モデルの採用を成功させる上で重要な要件の1つである。
本研究では, エネルギーモデル(EBM)を用いて, 属性の集合上での合成生成を扱う。
エネルギー関数を論理演算子と合成することにより、分解能1024x1024のフォトリアリスティック画像を生成する際に、このような構成性を実現するのはこれが初めてである。
論文 参考訳（メタデータ） (2021-10-21T03:31:45Z) - Dual-Teacher Class-Incremental Learning With Data-Free Generative Replay [49.691610143011566]
クラスインクリメンタルラーニング(CIL)のための2つの新しい知識伝達手法を提案する。
まず,データフリーな生成リプレイ(DF-GR)を提案し,生成モデルからの合成サンプルを用いてCILの破滅的忘れを緩和する。
第2に,2人の教師から1人の生徒に知識蒸留を行うための2つの教員情報蒸留(DT-ID)を導入する。
論文 参考訳（メタデータ） (2021-06-17T22:13:15Z) - Generative Flows with Invertible Attentions [135.23766216657745]
生成フローモデルに対する2種類の非可逆的注意機構を導入する。
フロー特徴写像の2分割毎に注意重みと入力表現を学習するために,分割に基づく注意機構を利用する。
提案手法は, トラクタブルジャコビアン行列を用いた非可逆アテンションモジュールをフローベースモデルの任意の位置にシームレスに統合する。
論文 参考訳（メタデータ） (2021-06-07T20:43:04Z) - Autoencoders for unsupervised anomaly detection in high energy physics [105.54048699217668]
QCDジェット画像の背景にあるトップジェット画像のタグ付けについて検討する。
標準オートエンコーダ設定をモデル非依存の異常タガーとはみなせないことを示す。
モデル非依存異常検出の課題に対する性能改善策を提案する。
論文 参考訳（メタデータ） (2021-04-19T05:06:57Z) - Wind Speed Prediction using Deep Ensemble Learning with a Jet-like
Architecture [0.28675177318965034]
ジェットの翼、尾、鼻のデザインは空気力学を改善し、ジェットの滑らかで制御された飛行をもたらす。
ベースレグレッタの多様な特徴空間は、ジェットのようなアンサンブルアーキテクチャを用いて活用される。
提案したDEL-Jet技術は,10個の独立した動作に対して評価され,深層およびジェット様のアーキテクチャが学習システムの堅牢性と一般化に有効であることを示す。
論文 参考訳（メタデータ） (2020-02-28T08:33:41Z)
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。