Fugu-MT 論文翻訳(概要): Variational inference for pile-up removal at hadron colliders with diffusion models

論文の概要: Variational inference for pile-up removal at hadron colliders with diffusion models

arxiv url: http://arxiv.org/abs/2410.22074v1
Date: Tue, 29 Oct 2024 14:33:52 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-30 13:39:05.026762
Title: Variational inference for pile-up removal at hadron colliders with diffusion models
Title（参考訳）: 拡散モデルを用いたハドロン衝突体における積み上げ除去の変分推定
Authors: Malte Algren, Christopher Pollard, John Andrew Raine, Tobias Golling,
Abstract要約: 積層除去した硬質散乱粒子ジェットの構成成分を予測するために, 生成モデルを訓練した。 VirはSoftDropよりも優れており、幅広いシナリオでハード散乱ジェットのサブ構造を予測する。
参考スコア（独自算出の注目度）: 0.9374652839580183
License:
Abstract: In this paper, we present a novel method for pile-up removal of pp interactions using variational inference with diffusion models, called Vipr. Instead of using classification methods to identify which particles are from the primary collision, a generative model is trained to predict the constituents of the hard-scatter particle jets with pile-up removed. This results in an estimate of the full posterior over hard-scatter jet constituents, which has not yet been explored in the context of pile-up removal. We evaluate the performance of Vipr in a sample of jets from simulated $t\bar{t}$ events overlain with pile-up contamination. Vipr outperforms SoftDrop in predicting the substructure of the hard-scatter jets over a wide range of pile-up scenarios.
Abstract（参考訳）: 本稿では,Vivrと呼ばれる拡散モデルを用いた変分推論を用いて,p相互作用の累積除去法を提案する。一次衝突からの粒子の特定に分類法を用いる代わりに, 積層除去した硬質散乱粒子ジェットの構成成分を予測するために, 生成モデルを訓練した。この結果, 積み上げ除去の文脈ではまだ検討されていない硬質散乱噴流の完全後部成分の推算が可能となった。大気汚染に起因したイベントを模擬した$t\bar{t}$のジェット試料中のViprの性能を評価する。 ViprはSoftDropよりも優れており、幅広いシナリオでハード散乱ジェットのサブ構造を予測する。

関連論文リスト

Persistent Sampling: Unleashing the Potential of Sequential Monte Carlo [0.0]
逐次モンテカルロ法の拡張であるパーシステンスサンプリング(PS)を導入する。 PSは、繰り返しに分散する粒子の増大し重み付けされたアンサンブルを生成する。 PSは標準手法を一貫して上回り、後部モーメント推定において低い2乗バイアスを達成する。
論文参考訳（メタデータ） (2024-07-30T10:34:40Z)
Learning to Approximate Particle Smoothing Trajectories via Diffusion Generative Models [16.196738720721417]
希少な観測からシステムを学ぶことは、生物学、金融学、物理学など多くの分野において重要である。本研究では,条件付き粒子フィルタリングと祖先サンプリングと拡散モデルを統合する手法を提案する。車両追跡や単一セルRNAシークエンシングデータなど,時系列生成とタスクにおけるアプローチを実証する。
論文参考訳（メタデータ） (2024-06-01T21:54:01Z)
Improved off-policy training of diffusion samplers [93.66433483772055]
本研究では,非正規化密度やエネルギー関数を持つ分布からサンプルを抽出する拡散モデルの訓練問題について検討する。シミュレーションに基づく変分法や非政治手法など,拡散構造推論手法のベンチマークを行った。我々の結果は、過去の研究の主張に疑問を投げかけながら、既存のアルゴリズムの相対的な利点を浮き彫りにした。
論文参考訳（メタデータ） (2024-02-07T18:51:49Z)
Diffusion-Based Particle-DETR for BEV Perception [94.88305708174796]
Bird-Eye-View (BEV)は、自律走行車(AV)における視覚知覚のための最も広く使われているシーンの1つである。近年の拡散法は、視覚知覚のための不確実性モデリングに有望なアプローチを提供するが、BEVの広い範囲において、小さな物体を効果的に検出することができない。本稿では,BEVにおける拡散パラダイムと最先端の3Dオブジェクト検出器を組み合わせることで,この問題に対処する。
論文参考訳（メタデータ） (2023-12-18T09:52:14Z)
Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
論文参考訳（メタデータ） (2023-12-05T09:44:47Z)
Exploring Iterative Refinement with Diffusion Models for Video Grounding [17.435735275438923]
ビデオグラウンドイングは、所定の文クエリに対応する未編集ビデオにおいて、ターゲットモーメントをローカライズすることを目的としている。条件生成タスクとしてビデオグラウンドを定式化する拡散モデルを用いた新しいフレームワークであるDiffusionVGを提案する。
論文参考訳（メタデータ） (2023-10-26T07:04:44Z)
CamoDiffusion: Camouflaged Object Detection via Conditional Diffusion Models [72.93652777646233]
カモフラーゲ型物体検出(COD)は、カモフラーゲ型物体とその周囲の類似性が高いため、コンピュータビジョンにおいて難しい課題である。本研究では,CODを拡散モデルを利用した条件付きマスク生成タスクとして扱う新しいパラダイムを提案する。カモ拡散(CamoDiffusion)と呼ばれる本手法では,拡散モデルのデノナイズプロセスを用いてマスクの雑音を反復的に低減する。
論文参考訳（メタデータ） (2023-05-29T07:49:44Z)
Reduce, Reuse, Recycle: Compositional Generation with Energy-Based Diffusion Models and MCMC [102.64648158034568]
拡散モデルは、多くの領域において、生成モデリングの一般的なアプローチとなっている。本稿では,新しい構成演算子の利用を可能にする拡散モデルのエネルギーベースパラメータ化を提案する。これらのサンプルは、幅広い問題にまたがって構成生成の顕著な改善につながっている。
論文参考訳（メタデータ） (2023-02-22T18:48:46Z)
Denoising Diffusion Probabilistic Models as a Defense against Adversarial Attacks [0.0]
本研究は,敵攻撃に対する浄化手法として,拡散確率モデル(DDPM)の性能を評価する。リンパ節郭清におけるPatchCamelyonデータセットのアプローチについて検討し,その精度を88%まで向上させた。
論文参考訳（メタデータ） (2023-01-17T13:27:53Z)
Diffusion Models for Adversarial Purification [69.1882221038846]
対人浄化(Adrial purification)とは、生成モデルを用いて敵の摂動を除去する防衛方法の分類である。そこで我々は,拡散モデルを用いたDiffPureを提案する。提案手法は,現在の対人訓練および対人浄化方法よりも優れ,最先端の成果を達成する。
論文参考訳（メタデータ） (2022-05-16T06:03:00Z)

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。