論文の概要: Multidimensional Deconvolution with Profiling

• arxiv url: http://arxiv.org/abs/2409.10421v1
• Date: Mon, 16 Sep 2024 15:52:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-17 15:00:57.263374
• Title: Multidimensional Deconvolution with Profiling
• Title（参考訳）: プロファイリングによる多次元デコンボリューション
• Authors: Huanbiao Zhu, Krish Desai, Mikael Kuusela, Vinicius Mikuni, Benjamin Nachman, Larry Wasserman,
• Abstract要約: 多くの実験的文脈において、測定を物理的に解釈するためには、機器効果の影響を統計的に除去する必要がある。 我々は,OmniFold (OF) アルゴリズムと同様の反復方式で動作し,ニュアンスパラメータを同時にプロファイリングできる新しいアルゴリズムである Profile OmniFold (POF) を提案する。
• 参考スコア（独自算出の注目度）: 0.28587848809639416
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many experimental contexts, it is necessary to statistically remove the impact of instrumental effects in order to physically interpret measurements. This task has been extensively studied in particle physics, where the deconvolution task is called unfolding. A number of recent methods have shown how to perform high-dimensional, unbinned unfolding using machine learning. However, one of the assumptions in all of these methods is that the detector response is accurately modeled in the Monte Carlo simulation. In practice, the detector response depends on a number of nuisance parameters that can be constrained with data. We propose a new algorithm called Profile OmniFold (POF), which works in a similar iterative manner as the OmniFold (OF) algorithm while being able to simultaneously profile the nuisance parameters. We illustrate the method with a Gaussian example as a proof of concept highlighting its promising capabilities.
• Abstract（参考訳）: 多くの実験的文脈において、測定を物理的に解釈するためには、機器効果の影響を統計的に除去する必要がある。 このタスクは粒子物理学において広範囲に研究され、そこでは非畳み込みタスクを展開(unfolding)と呼ぶ。 最近の多くの手法は、機械学習を用いて高次元のアンバインド展開を実行する方法を示している。 しかしながら、これらの手法の全ての仮定の1つは、検出器応答がモンテカルロシミュレーションで正確にモデル化されていることである。 実際には、検出器応答はデータに制約される多くのニュアンスパラメータに依存する。 我々は,OmniFold (OF) アルゴリズムと同様の反復方式で動作し,ニュアンスパラメータを同時にプロファイリングできる新しいアルゴリズムである Profile OmniFold (POF) を提案する。 提案手法をガウス的例を用いて,その有望な能力を示す概念実証として説明する。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
  我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。 この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
  論文  参考訳（メタデータ） (2024-11-01T21:11:48Z)
• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Gaussian Process Probes (GPP) for Uncertainty-Aware Probing [61.91898698128994]
  モデルによって表現される概念に関する不確実性を探索し、測定するための統一的でシンプルなフレームワークを導入する。 実験の結果,(1)ごく少数の例でも,モデルの概念表現を探索し,(2)認識の不確実性(プローブがどの程度確実か)と解離不確実性(モデルがファジィか)を正確に測定し,(3)これらの不確実性尺度と古典的手法を用いて分布データの検出を行うことができた。
  論文  参考訳（メタデータ） (2023-05-29T17:00:16Z)
• Score-based Diffusion Models in Function Space [140.792362459734]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Unbinned Profiled Unfolding [2.0813318162800707]
  展開は、検出器効果を補正する粒子物理学実験において重要な手順である。 そこで本稿では,非結合な差分断面を生じる機械学習に基づく新しい展開手法を提案する。
  論文  参考訳（メタデータ） (2023-02-10T17:28:01Z)
• RMFGP: Rotated Multi-fidelity Gaussian process with Dimension Reduction for High-dimensional Uncertainty Quantification [12.826754199680474]
  マルチフィデリティモデリングは、少量の正確なデータしか入手できない場合でも、正確な推測を可能にする。 高忠実度モデルと1つ以上の低忠実度モデルを組み合わせることで、多忠実度法は興味のある量の正確な予測を行うことができる。 本稿では,回転多要素ガウス過程の回帰に基づく新しい次元削減フレームワークとベイズ能動学習手法を提案する。
  論文  参考訳（メタデータ） (2022-04-11T01:20:35Z)
• Probabilistic Inference of Simulation Parameters via Parallel Differentiable Simulation [34.30381620584878]
  実世界の計測を正確に再現するには、シミュレーターが適切な物理系のモデルを持つ必要がある。 ベイズ推定手法を用いてパラメータを推定する後者の問題に対処する。 我々は、GPUコード生成と微分可能シミュレーションを利用して、多くの粒子に対するその可能性とその勾配を並列に評価する。
  論文  参考訳（メタデータ） (2021-09-18T03:05:44Z)
• Scaffolding Simulations with Deep Learning for High-dimensional Deconvolution [0.3078691410268859]
  OmniFold と呼ばれるこの設定において,シミュレーションに基づく最大確率デコンボリューション手法を提案する。 ディープラーニングは、このアプローチを自然に非結合で(可変で)高次元にすることができる。 我々は,OmniFoldが検出歪みを除去できるだけでなく,ノイズ処理や受入効果も考慮できることを示す。
  論文  参考訳（メタデータ） (2021-05-10T15:16:18Z)
• 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)
• Preprocessing noisy functional data using factor models [0.0]
  観測点の離散集合上で計測された関数的データを検討する。 信号と雑音は自然に因子モデルの共通かつ慣用的な成分として表すことができる。
  論文  参考訳（メタデータ） (2020-12-10T16:54:44Z)

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。