論文の概要: Empirical fits to inclusive electron-carbon scattering data obtained by
deep-learning methods
- arxiv url: http://arxiv.org/abs/2312.17298v1
- Date: Thu, 28 Dec 2023 17:03:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-02 15:14:28.086220
- Title: Empirical fits to inclusive electron-carbon scattering data obtained by
deep-learning methods
- Title(参考訳): 深層学習法による包括的電子-炭素散乱データへの経験的適合
- Authors: Beata E. Kowal, Krzysztof M. Graczyk, Artur M. Ankowski, Rwik
Dharmapal Banerjee, Hemant Prasad, Jan T. Sobczyk
- Abstract要約: ニューラルネットワークを用いた広い運動領域における炭素の電子散乱断面積に対する経験的適合性を得る。
このようなモデル非依存のパラメトリゼーションを得るための2つの異なる方法とそれに対応する不確実性を考える。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Employing the neural network framework, we obtain empirical fits to the
electron-scattering cross section for carbon over a broad kinematic region,
extending from the quasielastic peak, through resonance excitation, to the
onset of deep-inelastic scattering. We consider two different methods of
obtaining such model-independent parametrizations and the corresponding
uncertainties: based on the NNPDF approach [J. High Energy Phys. 2002, 062],
and on the Monte Carlo dropout. In our analysis, the $\chi^2$ function defines
the loss function, including point-to-point uncertainties and considering the
systematic normalization uncertainties for each independent set of
measurements. Our statistical approaches lead to fits of comparable quality and
similar uncertainties of the order of $7\%$ and $12\%$ for the first and the
second approaches, respectively. To test these models, we compare their
predictions to a~test dataset, excluded from the training process, a~dataset
lying beyond the covered kinematic region, and theoretical predictions obtained
within the spectral function approach. The predictions of both models agree
with experimental measurements and the theoretical predictions. However, the
first statistical approach shows better interpolation and extrapolation
abilities than the one based on the dropout algorithm.
- Abstract(参考訳): ニューラルネットワークの枠組みを用いて, 準弾性ピークから共鳴励起, 深部非弾性散乱の開始まで, 広範囲のキネマティック領域における炭素の電子散乱断面積に経験的適合性を求める。
このようなモデル非依存パラメトリゼーションと対応する不確かさを得るための2つの異なる方法を考える:nnpdfアプローチ [j. high energy phys. 2002, 062] とモンテカルロドロップアウトに基づいて。
この解析において、$\chi^2$関数は、各独立な測定集合に対する系統的正規化の不確実性を考慮して、点間不確実性を含む損失関数を定義する。
我々の統計的アプローチは、それぞれ第1のアプローチと第2のアプローチに対して7\%$と12\%$のオーダーの同等の品質と同様の不確実性に適合する。
これらのモデルをテストするために、トレーニングプロセスから除外されたa~testデータセット、カバーされたキネマティック領域を超えて横たわるa〜dataset、スペクトル関数アプローチで得られた理論的予測と比較する。
両方のモデルの予測は、実験的な測定と理論的予測と一致する。
しかし、最初の統計的アプローチは、ドロップアウトアルゴリズムに基づくものよりも補間能力と外挿能力が優れていることを示している。
関連論文リスト
- Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳(メタデータ) (2023-09-02T01:27:53Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳(メタデータ) (2023-04-08T07:55:36Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳(メタデータ) (2021-10-13T01:23:48Z) - The Interplay Between Implicit Bias and Benign Overfitting in Two-Layer
Linear Networks [51.1848572349154]
ノイズの多いデータに完全に適合するニューラルネットワークモデルは、見当たらないテストデータにうまく一般化できる。
我々は,2層線形ニューラルネットワークを2乗損失の勾配流で補間し,余剰リスクを導出する。
論文 参考訳(メタデータ) (2021-08-25T22:01:01Z) - Non-Asymptotic Performance Guarantees for Neural Estimation of
$\mathsf{f}$-Divergences [22.496696555768846]
統計的距離は確率分布の相似性を定量化する。
このようなデータからの距離を推定する現代的な方法は、ニューラルネットワーク(NN)による変動形態のパラメータ化と最適化に依存する。
本稿では,このトレードオフを非漸近誤差境界を用いて検討し,SDの3つの一般的な選択に焦点をあてる。
論文 参考訳(メタデータ) (2021-03-11T19:47:30Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - Mean-Field Approximation to Gaussian-Softmax Integral with Application
to Uncertainty Estimation [23.38076756988258]
ディープニューラルネットワークにおける不確実性を定量化するための,新しい単一モデルに基づくアプローチを提案する。
平均場近似式を用いて解析的に難解な積分を計算する。
実験的に,提案手法は最先端の手法と比較して競合的に機能する。
論文 参考訳(メタデータ) (2020-06-13T07:32:38Z) - Balance-Subsampled Stable Prediction [55.13512328954456]
本稿では, 分数分解設計理論に基づく新しいバランスサブサンプル安定予測法を提案する。
設計理論解析により,提案手法は分布シフトによって誘導される予測器間の共起効果を低減できることを示した。
合成および実世界の両方のデータセットに関する数値実験により、BSSPアルゴリズムは未知のテストデータ間で安定した予測を行うためのベースライン法を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2020-06-08T07:01:38Z) - Towards a Kernel based Uncertainty Decomposition Framework for Data and
Models [20.348825818435767]
本稿では,データとモデルの両方において予測の不確実性を定量化する新しいフレームワークを提案する。
我々は,このフレームワークを,点予測ニューラルネットワークモデルの予測不確実性定量化のためのサロゲートツールとして応用する。
論文 参考訳(メタデータ) (2020-01-30T18:35:36Z) - Maximum likelihood estimation and uncertainty quantification for
Gaussian process approximation of deterministic functions [10.319367855067476]
本稿は、ガウス過程の回帰の文脈において、ノイズのないデータセットを用いた最初の理論的分析の1つを提供する。
本稿では,スケールパラメータのみの最大推定がガウス過程モデルの不特定に対する顕著な適応をもたらすことを示す。
論文 参考訳(メタデータ) (2020-01-29T17:20:21Z)
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。