論文の概要: Machine-learning-based particle identification with missing data

• arxiv url: http://arxiv.org/abs/2401.01905v1
• Date: Thu, 21 Dec 2023 10:20:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 09:57:33.292215
• Title: Machine-learning-based particle identification with missing data
• Title（参考訳）: 欠落データを用いた機械学習に基づく粒子識別
• Authors: Mi{\l}osz Kasak, Kamil Deja, Maja Karwowska, Monika Jakubowska, {\L}ukasz Graczykowski, Ma{\l}gorzata Janik
• Abstract要約: 本研究では,CERNにおけるALICE実験の範囲内での粒子同定(PID)の新たな手法を提案する。 提案手法は,全粒子種に対して選択された試料のPID純度と効率を向上する。
• 参考スコア（独自算出の注目度）: 3.046689922445082
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we introduce a novel method for Particle Identification (PID) within the scope of the ALICE experiment at the Large Hadron Collider at CERN. Identifying products of ultrarelativisitc collisions delivered by the LHC is one of the crucial objectives of ALICE. Typically employed PID methods rely on hand-crafted selections, which compare experimental data to theoretical simulations. To improve the performance of the baseline methods, novel approaches use machine learning models that learn the proper assignment in a classification task. However, because of the various detection techniques used by different subdetectors, as well as the limited detector efficiency and acceptance, produced particles do not always yield signals in all of the ALICE components. This results in data with missing values. Machine learning techniques cannot be trained with such examples, so a significant part of the data is skipped during training. In this work, we propose the first method for PID that can be trained with all of the available data examples, including incomplete ones. Our approach improves the PID purity and efficiency of the selected sample for all investigated particle species.
• Abstract（参考訳）: 本研究では,CERNの大型ハドロン衝突型加速器におけるALICE実験の範囲内での粒子同定(PID)の新たな手法を提案する。 LHCによる超相対論的衝突の産物の同定はALICEの重要な目的の1つである。 通常、pid法は実験データと理論シミュレーションを比較する手作りの選択に依存する。 ベースライン手法の性能を向上させるために、新しいアプローチでは、分類タスクで適切な割り当てを学ぶ機械学習モデルを使用する。 しかし、異なるサブ検出器が使用する様々な検出技術と限られた検出器の効率と受理のため、生成した粒子はアリス成分の全てに信号をもたらすとは限らない。 その結果、値が不足するデータが得られる。 機械学習のテクニックはそのような例ではトレーニングできないため、トレーニング中にデータの大部分はスキップされる。 本研究では,不完全データを含むすべてのデータ例をトレーニング可能なPIDの最初の手法を提案する。 提案手法は,全粒子種に対して選択された試料のPID純度と効率を向上する。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Particle identification with machine learning from incomplete data in the ALICE experiment [3.046689922445082]
  ALICEは、約100MeV/cから20GeV/cまでの運動量を持つ粒子の複数の検出器を介してPID情報を提供する。 機械学習(ML)メソッドで、はるかに優れたパフォーマンスを実現することができる。 本稿では,MLプロジェクトとALICE分析ソフトウェアの統合について紹介し,ドメイン適応について論じる。
  論文  参考訳（メタデータ） (2024-03-26T07:05:06Z)
• Predictive Maintenance Model Based on Anomaly Detection in Induction Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
  本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。 我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
  論文  参考訳（メタデータ） (2023-10-15T18:43:45Z)
• Fast kernel methods for Data Quality Monitoring as a goodness-of-fit test [10.882743697472755]
  本稿では,粒子検出器をリアルタイムで監視するための機械学習手法を提案する。 目標は、入ってくる実験データと参照データセットとの互換性を評価し、通常の状況下でのデータ挙動を特徴づけることである。 このモデルはカーネルメソッドの現代的な実装に基づいており、十分なデータを与えられた連続関数を学習できる非パラメトリックアルゴリズムである。
  論文  参考訳（メタデータ） (2023-03-09T16:59:35Z)
• Using Machine Learning for Particle Identification in ALICE [0.0]
  粒子識別(PID)は、LHCにおけるALICE実験の主要な強みの1つである。 ALICEにおけるPIDに対する機械学習手法の現状について述べる。 我々はLHC Run 2のためのランダムフォレストアプローチと、ドメイン適応ニューラルネットワークに基づくより高度な解について検討する。
  論文  参考訳（メタデータ） (2022-04-14T11:59:49Z)
• Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
  政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。 既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。 既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
  論文  参考訳（メタデータ） (2021-11-09T13:30:34Z)
• Combining Feature and Instance Attribution to Detect Artifacts [62.63504976810927]
  トレーニングデータアーティファクトの識別を容易にする手法を提案する。 提案手法は,トレーニングデータのアーティファクトの発見に有効であることを示す。 我々は,これらの手法が実際にNLP研究者にとって有用かどうかを評価するために,小規模なユーザスタディを実施している。
  論文  参考訳（メタデータ） (2021-07-01T09:26:13Z)
• Dual Discriminator Adversarial Distillation for Data-free Model Compression [36.49964835173507]
  我々は、トレーニングデータやメタデータを使わずにニューラルネットワークを蒸留するために、Dual Discriminator Adversarial Distillation (DDAD)を提案する。 具体的には, 生成器を用いて, 元のトレーニングデータを模倣した二重判別器の対数蒸留法を用いてサンプルを作成する。 提案手法は,教師のネットワークを近い距離で近似する効率的な学生ネットワークである。
  論文  参考訳（メタデータ） (2021-04-12T12:01:45Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• 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)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)

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。