論文の概要: Improving new physics searches with diffusion models for event observables and jet constituents

• arxiv url: http://arxiv.org/abs/2312.10130v2
• Date: Tue, 19 Dec 2023 14:08:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-20 12:41:08.253846
• Title: Improving new physics searches with diffusion models for event observables and jet constituents
• Title（参考訳）: イベントオブザーバブルとジェット構成要素の拡散モデルによる新しい物理探索の改善
• Authors: Debajyoti Sengupta, Matthew Leigh, John Andrew Raine, Samuel Klein, Tobias Golling
• Abstract要約: 我々は,LHCにおける新しい物理探索の感度を高めるために,Drapesと呼ばれる新しい手法を導入する。 サイドバンドデータ上で拡散モデルをトレーニングすることにより,信号領域の背景テンプレートをノイズから直接生成するか,あるいは既存のデータに拡散過程を部分的に適用するかを示す。 この手法をLHCOジジェットデータセットを用いた共鳴探索に適用し,高レベルの入力特徴を用いた背景テンプレート生成のための最先端性能を実現する。
• 参考スコア（独自算出の注目度）: 2.3034861262968453
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a new technique called Drapes to enhance the sensitivity in searches for new physics at the LHC. By training diffusion models on side-band data, we show how background templates for the signal region can be generated either directly from noise, or by partially applying the diffusion process to existing data. In the partial diffusion case, data can be drawn from side-band regions, with the inverse diffusion performed for new target conditional values, or from the signal region, preserving the distribution over the conditional property that defines the signal region. We apply this technique to the hunt for resonances using the LHCO di-jet dataset, and achieve state-of-the-art performance for background template generation using high level input features. We also show how Drapes can be applied to low level inputs with jet constituents, reducing the model dependence on the choice of input observables. Using jet constituents we can further improve sensitivity to the signal process, but observe a loss in performance where the signal significance before applying any selection is below 4$\sigma$.
• Abstract（参考訳）: 我々は,LHCにおける新しい物理探索の感度を高めるために,Drapesと呼ばれる新しい手法を導入する。 サイドバンドデータ上で拡散モデルをトレーニングすることにより,信号領域の背景テンプレートをノイズから直接生成するか,あるいは既存のデータに拡散過程を部分的に適用するかを示す。 部分拡散の場合、新しい目標条件値に対して逆拡散を行う側バンド領域、または信号領域を定義する条件特性上の分布を保存する信号領域からデータを描画することができる。 この手法をLHCOジジェットデータセットを用いた共鳴探索に適用し,高レベルの入力特徴を用いた背景テンプレート生成のための最先端性能を実現する。 また,ジェット成分を用いた低レベル入力に対してdrapeを適用する方法を示し,入力オブザーバブルの選択に対するモデル依存性を低減した。 ジェット成分を用いることで、信号プロセスに対する感度をさらに向上することができるが、任意の選択を適用する前に信号の重要性が4$\sigma$を下回る性能の損失を観測することができる。

関連論文リスト

• Edge-preserving noise for diffusion models [4.435514696080208]
  本稿では,拡散確率モデル(DDPM)を一般化した新しいエッジ保存拡散モデルを提案する。 特に、エッジ保存と等方性ガウスノイズの間で異なるエッジ対応ノイズスケジューラを導入する。 モデルの生成過程はより高速に収束し, 対象の分布とより密に一致していることを示す。
  論文  参考訳（メタデータ） (2024-10-02T13:29:52Z)
• Toward Model-Agnostic Detection of New Physics Using Data-Driven Signal Regions [0.24578723416255752]
  高エネルギー物理学における新しい粒子の探索において、信号領域(SR)を選択することが重要である。 本稿では,信号イベントの局所的トポロジについて,モデルに依存しないがしばしば現実的な仮定に基づいて構築する手法を提案する。 本研究では,信号イベントの高部分に集中する高次元特徴空間において,データ駆動型SRを効率的に同定できることを実証する。
  論文  参考訳（メタデータ） (2024-09-11T02:49:53Z)
• Robust semi-parametric signal detection in particle physics with classifiers decorrelated via optimal transport [0.20971479389679337]
  粒子物理学において、教師付き分類器は、既知の標準模型物理学から信号モデルを分離するために用いられる。 しかし、背景モデルの誤差は、信号検出手順に悪影響を及ぼす可能性がある。 本稿では,予備的な信号強調処理のみを行うために,分類器の使用方法を示す。 次に、実際の実験データのみを用いて、信号量の多いサンプルに対してバンプハントを行う。
  論文  参考訳（メタデータ） (2024-09-10T10:32:21Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• DetDiffusion: Synergizing Generative and Perceptive Models for Enhanced Data Generation and Perception [78.26734070960886]
  現在の知覚モデルは、リソース集約的なデータセットに大きく依存している。 セグメンテーションを通じて知覚認識損失(P.A.損失)を導入し、品質と制御性の両方を改善した。 本手法は,世代間における知覚認識属性(P.A. Attr)の抽出と利用により,データ拡張をカスタマイズする。
  論文  参考訳（メタデータ） (2024-03-20T04:58:03Z)
• Residual ANODE [0.0]
  データ駆動型モデル非依存型共振異常検出のための新しい手法であるR-ANODEを提案する。 R-ANODEの鍵は、正規化フローを小さく未知の信号成分に直接適合させることにより、異常検出タスクの誘導バイアスを高めることである。 本手法は,未知の信号区間が学習されたり固定されたりしても等しく動作し,信号区間の誤識別に対してさえ頑健であることを示す。
  論文  参考訳（メタデータ） (2023-12-18T19:00:03Z)
• Diffusion with Forward Models: Solving Stochastic Inverse Problems Without Direct Supervision [76.32860119056964]
  本稿では,直接観測されない信号の分布からサンプルを学習する拡散確率モデルを提案する。 コンピュータビジョンの課題3つの課題に対して,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-06-20T17:53:00Z)
• CURTAINs Flows For Flows: Constructing Unobserved Regions with Maximum Likelihood Estimation [0.0]
  両領域間の条件正規化フローをトレーニングすることでCURTAINs法を大幅に改善する。 CURTAINF4Fは、他の完全なデータ駆動アプローチよりも多くの信号領域をカバーするために、計算資源をかなり少なくする。
  論文  参考訳（メタデータ） (2023-05-08T11:58:49Z)
• Dimensionality-Varying Diffusion Process [52.52681373641533]
  拡散モデルは、信号破壊プロセスを逆転して新しいデータを生成することを学習する。 信号分解による前方拡散過程の理論的一般化を行う。 FFHQで訓練された拡散モデルのFIDを,52.40から10.46までの1024Times1024$解像度で改善する。
  論文  参考訳（メタデータ） (2022-11-29T09:05:55Z)
• PriorGrad: Improving Conditional Denoising Diffusion Models with Data-Driven Adaptive Prior [103.00403682863427]
  条件拡散モデルの効率を改善するために, PreGrad を提案する。 PriorGradはデータとパラメータの効率を向上し、品質を向上する。
  論文  参考訳（メタデータ） (2021-06-11T14:04:03Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)

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。

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。