Fugu-MT 論文翻訳(概要): PASCL: Supervised Contrastive Learning with Perturbative Augmentation for Particle Decay Reconstruction

論文の概要: PASCL: Supervised Contrastive Learning with Perturbative Augmentation for Particle Decay Reconstruction

arxiv url: http://arxiv.org/abs/2402.11538v1
Date: Sun, 18 Feb 2024 10:38:34 GMT
ステータス: 処理完了
システム内更新日: 2024-02-20 20:34:00.780504
Title: PASCL: Supervised Contrastive Learning with Perturbative Augmentation for Particle Decay Reconstruction
Title（参考訳）: PASCL:パーティクルデバイ再建のための摂動増強によるコントラスト学習の促進
Authors: Junjian Lu, Siwei Liu, Dmitrii Kobylianski, Etienne Dreyer, Eilam Gross, Shangsong Liang
Abstract要約: 高エネルギー物理学では、衝突で生じる粒子は階層木構造の形で崩壊する。本研究では,木構造を推定し,衝突イベントを再構成するグラフに基づくディープラーニングモデルを提案する。特に、最小共通祖先世代(LCAG)行列と呼ばれるコンパクトな行列表現を用いて、粒子崩壊木構造を符号化する。
参考スコア（独自算出の注目度）: 13.068560466022557
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In high-energy physics, particles produced in collision events decay in a format of a hierarchical tree structure, where only the final decay products can be observed using detectors. However, the large combinatorial space of possible tree structures makes it challenging to recover the actual decay process given a set of final particles. To better analyse the hierarchical tree structure, we propose a graph-based deep learning model to infer the tree structure to reconstruct collision events. In particular, we use a compact matrix representation termed as lowest common ancestor generations (LCAG) matrix, to encode the particle decay tree structure. Then, we introduce a perturbative augmentation technique applied to node features, aiming to mimic experimental uncertainties and increase data diversity. We further propose a supervised graph contrastive learning algorithm to utilize the information of inter-particle relations from multiple decay processes. Extensive experiments show that our proposed supervised graph contrastive learning with perturbative augmentation (PASCL) method outperforms state-of-the-art baseline models on an existing physics-based dataset, significantly improving the reconstruction accuracy. This method provides a more effective training strategy for models with the same parameters and makes way for more accurate and efficient high-energy particle physics data analysis.
Abstract（参考訳）: 高エネルギー物理学では、衝突で生じる粒子は階層木構造の形で崩壊し、最終崩壊生成物のみが検出器を用いて観測される。しかし、可能な木構造の大規模な組合せ空間は、最終粒子の集合から実際の崩壊過程の回復を困難にしている。階層木構造をよりよく解析するために,木構造を推論して衝突イベントを再構成するグラフベースディープラーニングモデルを提案する。特に、最小共通祖先世代(LCAG)行列と呼ばれるコンパクトな行列表現を用いて、粒子崩壊木構造を符号化する。次に,実験的な不確かさを模倣し,データの多様性を高めることを目的として,ノード特徴に適用する摂動的拡張手法を提案する。さらに,複数の崩壊過程から粒子間関係の情報を利用する教師付きグラフコントラスト学習アルゴリズムを提案する。広汎な実験により,提案手法による教師付きグラフコントラスト学習は,既存の物理ベースデータセット上での最先端のベースラインモデルよりも優れ,再構成精度が大幅に向上した。この方法は、同じパラメータを持つモデルに対してより効率的なトレーニング戦略を提供し、より正確で効率的な高エネルギー粒子物理データ解析を実現する。

関連論文リスト

Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-02T04:01:38Z)
StructComp: Substituting Propagation with Structural Compression in Training Graph Contrastive Learning [22.485016981572095]
この問題に対処するために,構造圧縮(StructComp)と呼ばれるシンプルで効果的なトレーニングフレームワークを提案する。拡散行列上の疎低ランク近似にインスパイアされたStructCompは、圧縮ノードでエンコーダを訓練する。理論的には、元のGCL損失はStructCompによって計算された対照的な損失と近似できる。
論文参考訳（メタデータ） (2023-12-08T06:46:18Z)
Graph Neural Networks-based Hybrid Framework For Predicting Particle Crushing Strength [31.05985193732974]
粒子破砕の機械的挙動を特徴付けるためにグラフニューラルネットワークを用いる。我々は,粒状フラグメントビューにおける粒子破砕強度を予測するために,GNNに基づくハイブリッドフレームワークを考案した。我々のデータとコードはhttps://github.com/doujiang-zheng/GNN-For-Particle-Crushingで公開されています。
論文参考訳（メタデータ） (2023-07-26T02:18:04Z)
Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文参考訳（メタデータ） (2022-10-07T17:56:53Z)
Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文参考訳（メタデータ） (2022-05-25T17:37:08Z)
Kronecker Decomposition for Knowledge Graph Embeddings [5.49810117202384]
知識グラフ埋め込みモデルにおけるパラメータ数を削減するために,Kronecker分解に基づく手法を提案する。この分解により、3つの埋め込みベクトル間の要素的相互作用が各埋め込みベクトル内の相互作用によって拡張されることが保証される。実験により,Kronecker分解を埋め込み行列に適用すると,全てのベンチマークデータセットのパラメータ効率が向上することが示唆された。
論文参考訳（メタデータ） (2022-05-13T11:11:03Z)
Regularization of Mixture Models for Robust Principal Graph Learning [0.0]
D$次元データポイントの分布から主グラフを学習するために,Mixture Modelsの正規化バージョンを提案する。モデルのパラメータは期待最大化手順によって反復的に推定される。
論文参考訳（メタデータ） (2021-06-16T18:00:02Z)
Regularization by Denoising Sub-sampled Newton Method for Spectral CT Multi-Material Decomposition [78.37855832568569]
スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。スペクトルct材料分解の数値的および実験的結果を示す。
論文参考訳（メタデータ） (2021-03-25T15:20:10Z)
Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文参考訳（メタデータ） (2020-12-29T04:08:38Z)
High-Dimensional Bayesian Optimization via Tree-Structured Additive Models [40.497123136157946]
変数の重複部分集合を持つ低次元関数を合成して高次元目標関数をモデル化する一般化加法モデルを検討する。私たちの目標は、必要な計算リソースを減らし、より高速なモデル学習を促進することです。我々は,合成関数と実世界のデータセットに関する様々な実験を通して,本手法の有効性を実証し,議論する。
論文参考訳（メタデータ） (2020-12-24T03:56:44Z)
Hyperbolic Neural Networks++ [66.16106727715061]
ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
論文参考訳（メタデータ） (2020-06-15T08:23:20Z)

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。