論文の概要: Full Event Particle-Level Unfolding with Variable-Length Latent Variational Diffusion

• arxiv url: http://arxiv.org/abs/2404.14332v2
• Date: Wed, 30 Oct 2024 14:39:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-31 14:23:56.085667
• Title: Full Event Particle-Level Unfolding with Variable-Length Latent Variational Diffusion
• Title（参考訳）: 可変長変分拡散による全事象レベル展開
• Authors: Alexander Shmakov, Kevin Greif, Michael James Fenton, Aishik Ghosh, Pierre Baldi, Daniel Whiteson,
• Abstract要約: 生成機械学習モデルは、多数の次元で未結合の展開を実行することを約束している。 生成的展開に対する変動潜在拡散モデル(VLD)アプローチの新たな変更について述べる。 この手法の性能は、大型ハドロン衝突型加速器における半レプトニックトップクォーク対生成の文脈で評価される。
• 参考スコア（独自算出の注目度）: 44.6263403467016
• License:
• Abstract: The measurements performed by particle physics experiments must account for the imperfect response of the detectors used to observe the interactions. One approach, unfolding, statistically adjusts the experimental data for detector effects. Recently, generative machine learning models have shown promise for performing unbinned unfolding in a high number of dimensions. However, all current generative approaches are limited to unfolding a fixed set of observables, making them unable to perform full-event unfolding in the variable dimensional environment of collider data. A novel modification to the variational latent diffusion model (VLD) approach to generative unfolding is presented, which allows for unfolding of high- and variable-dimensional feature spaces. The performance of this method is evaluated in the context of semi-leptonic top quark pair production at the Large Hadron Collider.
• Abstract（参考訳）: 粒子物理学の実験によって行われた測定は、相互作用を観測するために使われる検出器の不完全な応答を考慮しなければならない。 1つのアプローチ、展開は、検出器効果の実験データを統計的に調整する。 近年、生成機械学習モデルは、多数の次元でアンバインド・アンフォールディングを実行することを約束している。 しかし、現在の生成的アプローチは、固定された可観測物の集合を展開させることに限られており、コライダーデータの可変次元環境において完全な展開を行うことができない。 変分潜在拡散モデル(VLD)による生成的展開へのアプローチを新たに改良し,高次元および可変次元の特徴空間の展開を可能にする。 この手法の性能は、大型ハドロン衝突型加速器における半レプトニックトップクォーク対生成の文脈で評価される。

関連論文リスト

• Inferring Parameter Distributions in Heterogeneous Motile Particle Ensembles: A Likelihood Approach for Second Order Langevin Models [0.8274836883472768]
  実験によって得られた時間離散軌道データから,動作パターンを理解し,予測するために推論手法が必要である。 非線形二階ランゲヴィンモデルの確率を近似する新しい手法を提案する。 これにより、アクティブに駆動されたエンティティのための動的モデルの体系的、データ駆動推論の道を開いた。
  論文  参考訳（メタデータ） (2024-11-13T15:27:02Z)
• Variational Pseudo Marginal Methods for Jet Reconstruction in Particle Physics [2.223804777595989]
  ジェット潜伏構造を推定するためのコンビニアル・シークエンシャルモンテカルロ法を提案する。 第2の貢献として、パラメータ学習のための変分推論アルゴリズムを開発するために、得られた推定値を利用する。 本研究では,コライダー物理生成モデルを用いて生成したデータを用いて実験を行い,本手法の有効性について述べる。
  論文  参考訳（メタデータ） (2024-06-05T13:18:55Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
  本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。 このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
  論文  参考訳（メタデータ） (2023-03-10T20:36:23Z)
• DIFFormer: Scalable (Graph) Transformers Induced by Energy Constrained Diffusion [66.21290235237808]
  本稿では,データセットからのインスタンスのバッチを進化状態にエンコードするエネルギー制約拡散モデルを提案する。 任意のインスタンス対間の対拡散強度に対する閉形式最適推定を示唆する厳密な理論を提供する。 各種タスクにおいて優れた性能を有する汎用エンコーダバックボーンとして,本モデルの適用性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-01-23T15:18:54Z)
• Selectively increasing the diversity of GAN-generated samples [8.980453507536017]
  本稿では,GAN生成サンプルの多様性を選択的に向上する手法を提案する。 本研究では,CERN における ALICE 実験のZero Degree Calorimeter から得られたデータをシミュレーションする実生活シナリオとともに,本手法の優位性を示す。
  論文  参考訳（メタデータ） (2022-07-04T16:27:06Z)
• Learning to discover: expressive Gaussian mixture models for multi-dimensional simulation and parameter inference in the physical sciences [0.0]
  複数の観測可能量を記述する密度モデルは, 自己回帰型ガウス混合モデルを用いて生成できることを示す。 このモデルは、観測可能なスペクトルが仮説の変化によってどのように変形するかを捉えるように設計されている。 実験観測の解釈における科学的発見の統計モデルとして用いられることもある。
  論文  参考訳（メタデータ） (2021-08-25T21:27:29Z)
• 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)
• Embedded-physics machine learning for coarse-graining and collective variable discovery without data [3.222802562733787]
  基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。 原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。 本研究は,バイモーダルポテンシャルエネルギー関数とアラニンジペプチドに対するCVの予測能力および物理的意義の観点からアルゴリズムの進歩を実証する。
  論文  参考訳（メタデータ） (2020-02-24T10:28:41Z)

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。