論文の概要: Quantum Rationale-Aware Graph Contrastive Learning for Jet Discrimination

• arxiv url: http://arxiv.org/abs/2411.01642v1
• Date: Sun, 03 Nov 2024 17:36:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-05 21:27:32.640783
• Title: Quantum Rationale-Aware Graph Contrastive Learning for Jet Discrimination
• Title（参考訳）: ジェット識別のための量子ライナリー対応グラフコントラスト学習
• Authors: Md Abrar Jahin, Md. Akmol Masud, M. F. Mridha, Nilanjan Dey,
• Abstract要約: 高エネルギー物理学において、粒子ジェットタグはクォークとグルーオンジェットを区別する重要な役割を担っている。 既存の対照的な学習フレームワークは、合理的な拡張を効果的に活用するために苦労している。 提案したQuantum Rationale-aware Graph Contrastive Learningフレームワークに量子合理生成器を統合することにより,ジェットの識別性能が大幅に向上することを示す。
• 参考スコア（独自算出の注目度）: 2.0681376988193843
• License:
• Abstract: In high-energy physics, particle jet tagging plays a pivotal role in distinguishing quark from gluon jets using data from collider experiments. While graph-based deep learning methods have advanced this task beyond traditional feature-engineered approaches, the complex data structure and limited labeled samples present ongoing challenges. However, existing contrastive learning (CL) frameworks struggle to leverage rationale-aware augmentations effectively, often lacking supervision signals that guide the extraction of salient features and facing computational efficiency issues such as high parameter counts. In this study, we demonstrate that integrating a quantum rationale generator (QRG) within our proposed Quantum Rationale-aware Graph Contrastive Learning (QRGCL) framework significantly enhances jet discrimination performance, reducing reliance on labeled data and capturing discriminative features. Evaluated on the quark-gluon jet dataset, QRGCL achieves an AUC score of 77.53% while maintaining a compact architecture of only 45 QRG parameters, outperforming classical, quantum, and hybrid GCL and GNN benchmarks. These results highlight QRGCL's potential to advance jet tagging and other complex classification tasks in high-energy physics, where computational efficiency and feature extraction limitations persist.
• Abstract（参考訳）: 高エネルギー物理学において、粒子ジェットタグは、クオークとグルーオンジェットをコライダー実験のデータを用いて区別する重要な役割を担っている。 グラフベースのディープラーニング手法は、従来の特徴工学的アプローチを超えて、このタスクを進めてきたが、複雑なデータ構造と限定されたラベル付きサンプルは、現在進行中の課題を示している。 しかし、既存のコントラスト学習(CL)フレームワークは、合理的に認識された拡張を効果的に活用するのに苦労し、しばしば、健全な特徴の抽出を導く監視信号が欠如し、高いパラメータ数のような計算効率の問題に直面している。 本研究では,提案したQuantum Rationale-aware Graph Contrastive Learning (QRGCL) フレームワークに量子有理数生成器(QRG)を組み込むことで,ジェット識別性能が著しく向上し,ラベル付きデータへの依存を低減し,識別的特徴を捉えることを実証する。 クォークグルーオンジェットデータセットに基づいて評価すると、QRGCLはAUCスコアが77.53%に達し、45のQRGパラメータしか持たないコンパクトなアーキテクチャを維持し、古典的、量子的、ハイブリッドなGCLとGNNベンチマークを上回っている。 これらの結果は、計算効率と特徴抽出制限が持続する高エネルギー物理学において、QRGCLがジェットタグやその他の複雑な分類タスクを前進させる可能性を強調している。

関連論文リスト

• Exploring Quantum Control Landscape and Solution Space Complexity through Dimensionality Reduction & Optimization Algorithms [0.0]
  様々な制御戦略を用いて、単一2レベル量子システム(量子ビット)の量子制御ランドスケープ(QCL)を解析する。 その結果,PCAのような次元減少技術は,高次元における量子制御の複雑な性質を理解する上で重要な役割を担っていることが示唆された。
  論文  参考訳（メタデータ） (2025-02-17T15:26:15Z)
• Quantum Bayesian Networks for Machine Learning in Oil-Spill Detection [3.9554540293311864]
  本稿では、量子ベイズネットワーク(QBN)を用いて、不均衡なデータセットを分類する新しいベイズアプローチを提案する。 量子拡張を古典的な機械学習アーキテクチャに統合するという課題を効果的に解決する。 本研究は, 異常の検出・分類において重要な進歩を示し, より効果的かつ正確な環境モニタリング・管理に寄与している。
  論文  参考訳（メタデータ） (2024-12-24T15:44:26Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Jet Discrimination with Quantum Complete Graph Neural Network [1.684646794156297]
  本稿では,完全グラフに基づく変分量子アルゴリズムであるQuantum Complete Graph Neural Network (QCGNN)を提案する。 本研究は, ジェット判別の課題にQCGNNを適用し, ジェットを完全なグラフとして表現する手法である。
  論文  参考訳（メタデータ） (2024-03-08T02:02:23Z)
• Overcoming Pitfalls in Graph Contrastive Learning Evaluation: Toward Comprehensive Benchmarks [60.82579717007963]
  本稿では,グラフコントラスト学習(GCL)手法の有効性,一貫性,全体的な能力をより正確に評価するために,拡張された評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-24T01:47:56Z)
• GQHAN: A Grover-inspired Quantum Hard Attention Network [53.96779043113156]
  GQHAM(Grover-inspired Quantum Hard Attention Mechanism)を提案する。 GQHANは、既存の量子ソフト自己保持機構の有効性を超越して、非微分可能性ハードルをかなり上回っている。 GQHANの提案は、将来の量子コンピュータが大規模データを処理する基盤を築き、量子コンピュータビジョンの開発を促進するものである。
  論文  参考訳（メタデータ） (2024-01-25T11:11:16Z)
• Improving Parameter Training for VQEs by Sequential Hamiltonian Assembly [4.646930308096446]
  量子機械学習における中心的な課題は、パラメータ化量子回路(PQC)の設計と訓練である。 局所成分を用いて損失関数を反復的に近似する逐次ハミルトンアセンブリを提案する。 提案手法は,従来のパラメータトレーニングを29.99%,実証的手法であるレイヤワイズラーニングを5.12%,平均精度を5.12%向上させる。
  論文  参考訳（メタデータ） (2023-12-09T11:47:32Z)
• Rethinking and Simplifying Bootstrapped Graph Latents [48.76934123429186]
  グラフ・コントラッシブ・ラーニング(GCL)はグラフ自己教師型ラーニングにおいて代表的なパラダイムとして登場した。 SGCLは2つの繰り返しの出力を正のペアとして利用するシンプルで効果的なGCLフレームワークである。 我々は,SGCLがより少ないパラメータ,少ない時間と空間コスト,およびかなりの収束速度で競合性能を達成可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-05T09:49:50Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• QuanGCN: Noise-Adaptive Training for Robust Quantum Graph Convolutional Networks [124.7972093110732]
  本稿では,ノード間の局所的なメッセージパッシングをクロスゲート量子演算のシーケンスで学習する量子グラフ畳み込みネットワーク(QuanGCN)を提案する。 現代の量子デバイスから固有のノイズを緩和するために、ノードの接続をスパーズするためにスパース制約を適用します。 我々のQuanGCNは、いくつかのベンチマークグラフデータセットの古典的なアルゴリズムよりも機能的に同等か、さらに優れている。
  論文  参考訳（メタデータ） (2022-11-09T21:43:16Z)
• Hybrid Quantum-Classical Graph Convolutional Network [7.0132255816377445]
  本研究は、HEPデータを学習するためのハイブリッド量子古典グラフ畳み込みネットワーク(QGCNN)を提供する。 提案フレームワークは,パラメータ数の観点から,古典的多層パーセプトロンと畳み込みニューラルネットワークの優位性を示す。 テスト精度に関して、QGCNNは、同じHEPデータセット上の量子畳み込みニューラルネットワークと同等のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2021-01-15T16:02:52Z)

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。