Fugu-MT 論文翻訳(概要): Machine Learning for Anomaly Detection in Particle Physics

論文の概要: Machine Learning for Anomaly Detection in Particle Physics

arxiv url: http://arxiv.org/abs/2312.14190v1
Date: Wed, 20 Dec 2023 12:40:00 GMT
ステータス: 処理完了
システム内更新日: 2023-12-25 17:38:18.994868
Title: Machine Learning for Anomaly Detection in Particle Physics
Title（参考訳）: 粒子物理学における異常検出のための機械学習
Authors: Vasilis Belis, Patrick Odagiu, Thea Kl{\ae}boe {\AA}rrestad
Abstract要約: 分配外データポイントの検出は、粒子物理学において一般的な課題である。異常検出のための機械学習の最近の進歩は、粒子物理問題におけるそのような技術の利用を促している。本稿では,機械学習を用いた粒子物理学における異常検出の最先端技術について概説する。
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: The detection of out-of-distribution data points is a common task in particle physics. It is used for monitoring complex particle detectors or for identifying rare and unexpected events that may be indicative of new phenomena or physics beyond the Standard Model. Recent advances in Machine Learning for anomaly detection have encouraged the utilization of such techniques on particle physics problems. This review article provides an overview of the state-of-the-art techniques for anomaly detection in particle physics using machine learning. We discuss the challenges associated with anomaly detection in large and complex data sets, such as those produced by high-energy particle colliders, and highlight some of the successful applications of anomaly detection in particle physics experiments.
Abstract（参考訳）: 分配外データポイントの検出は、粒子物理学において一般的な課題である。複雑な粒子検出器の監視や、標準モデルを超えた新しい現象や物理を示唆する稀で予期せぬ事象の特定に使用される。異常検出のための機械学習の最近の進歩は、粒子物理問題におけるそのような技術の利用を促している。本稿では,機械学習を用いた粒子物理学における異常検出技術の概要を紹介する。高エネルギー粒子衝突型加速器などの大規模かつ複雑なデータセットにおける異常検出に関する課題について考察し,素粒子物理学実験における異常検出の応用について述べる。

関連論文リスト

Qsco: A Quantum Scoring Module for Open-set Supervised Anomaly Detection [5.931953711154524]
複雑なデータ構造を扱う量子コンピューティングの最近の進歩と機械学習モデルの改善は、異常検出手法におけるパラダイムシフトを先導している。本研究では、量子変動回路をニューラルネットワークに埋め込み、不確実性やラベルなしデータを扱う際のモデルの処理能力を向上する量子スコーリングモジュール(Qsco)を提案する。
論文参考訳（メタデータ） (2024-05-25T22:37:43Z)
Robust Anomaly Detection for Particle Physics Using Multi-Background Representation Learning [16.301828198874507]
異常検出は、粒子物理学における新しい粒子やプロセスの発見を支援するための有望なツールである。複数のバックグラウンド型から表現学習を用いて検出アルゴリズムを構築する。本研究では,大型ハドロン衝突型加速器における粒子崩壊の高次元データセット上で,頑健なマルチバックグラウンド異常検出アルゴリズムの利点を実証する。
論文参考訳（メタデータ） (2024-01-16T19:00:20Z)
Robust Errant Beam Prognostics with Conditional Modeling for Particle Accelerators [36.157808223320465]
粒子加速器は様々な理由で故障や停止の可能性がある。これらの欠陥は、スケジュールされた実行中の粒子加速器の可用性に影響を与え、効率と全体の科学出力を妨げている。異常検出技術を用いて異常な振る舞いを予測し、プリエンプティブ動作を行い、粒子加速器の総可利用性を向上させる。
論文参考訳（メタデータ） (2023-11-22T07:36:16Z)
Quantum Generative Adversarial Networks For Anomaly Detection In High Energy Physics [0.0]
異常事象を識別する量子生成逆数ネットワークを開発した。 SMデータから背景分布を学習し、学習した背景分布に与えられた事象が特有であるか否かを判定する。 10倍のトレーニングデータサンプルを用いた量子生成技術は、グラビトン粒子とヒッグス粒子の検出において古典的手法に匹敵する精度が得られることが判明した。
論文参考訳（メタデータ） (2023-04-27T18:01:14Z)
Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
論文参考訳（メタデータ） (2022-11-09T22:40:22Z)
Quantum Sensors for High Precision Measurements of Spin-dependent Interactions [47.187609203210705]
近年,量子情報科学のための実験手法や技術が急速に進歩している。スピンベースの量子センサーは、無数の現象を探索するのに使うことができる。スピンベースの量子センサーは、粒子衝突器や大規模粒子検出器を補完する基礎物理学のテストのための方法論を提供する。
論文参考訳（メタデータ） (2022-03-17T17:36:48Z)
Object-centric and memory-guided normality reconstruction for video anomaly detection [56.64792194894702]
本稿では,ビデオ監視における異常検出問題に対処する。異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
論文参考訳（メタデータ） (2022-03-07T19:28:39Z)
Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
論文参考訳（メタデータ） (2021-06-24T15:58:57Z)
Quantum speedup for track reconstruction in particle accelerators [51.00143435208596]
我々は,各局所追跡法に存在する基本ルーチンを4つ同定し,標準追跡アルゴリズムの文脈でどのようにスケールするかを解析する。発見された量子スピードアップは穏やかだが、これは私たちの知識の中でも最高のものであり、高エネルギーの物理データ処理タスクに対する量子上の優位性の最初の厳密な証拠である。
論文参考訳（メタデータ） (2021-04-23T13:32:14Z)
Unsupervised machine learning of topological phase transitions from experimental data [52.77024349608834]
超低温原子からの実験データに教師なし機械学習技術を適用する。我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
論文参考訳（メタデータ） (2021-01-14T16:38:21Z)
Quantum Machine Learning and its Supremacy in High Energy Physics [0.0]
本稿では,高エネルギー物理学における量子アルゴリズムの将来展望を明らかにする。これらの問題を解決する主要な技術はパターン認識であり、機械学習の重要な応用である。
論文参考訳（メタデータ） (2020-11-17T17:12:17Z)

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。