論文の概要: Scalable Multi-Task Learning for Particle Collision Event Reconstruction with Heterogeneous Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2504.21844v1
• Date: Wed, 30 Apr 2025 17:53:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 17:30:08.881215
• Title: Scalable Multi-Task Learning for Particle Collision Event Reconstruction with Heterogeneous Graph Neural Networks
• Title（参考訳）: 不均一グラフニューラルネットワークを用いた粒子衝突イベント再構成のためのスケーラブルマルチタスク学習
• Authors: William Sutcliffe, Marta Calvi, Simone Capelli, Jonas Eschle, Julián García Pardiñas, Abhijit Mathad, Azusa Uzuki, Nicola Serra,
• Abstract要約: マルチプライオリティは、データ取得段階でレイテンシとストレージ要件を緊張させています。 背景レベルが高く、粒子の誤結合が頻発するなど、新たな合併症が出現している。 本稿では,多様な粒子衝突関係のユニークな表現を特徴とする新しい不均一グラフニューラルネットワークアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing luminosity frontier at the Large Hadron Collider is challenging the reconstruction and analysis of particle collision events. Increased particle multiplicities are straining latency and storage requirements at the data acquisition stage, while new complications are emerging, including higher background levels and more frequent particle vertex misassociations. This in turn necessitates the development of more holistic and scalable reconstruction methods that take advantage of recent advances in machine learning. We propose a novel Heterogeneous Graph Neural Network (HGNN) architecture featuring unique representations for diverse particle collision relationships and integrated graph pruning layers for scalability. Trained with a multi-task paradigm in an environment mimicking the LHCb experiment, this HGNN significantly improves beauty hadron reconstruction performance. Notably, it concurrently performs particle vertex association and graph pruning within a single framework. We quantify reconstruction and pruning performance, demonstrate enhanced inference time scaling with event complexity, and mitigate potential performance loss using a weighted message passing scheme.
• Abstract（参考訳）: 大型ハドロン衝突型加速器の光度フロンティアは、粒子衝突の再現と解析に挑戦している。 パーティクル多重度の増加は、データ取得段階でのレイテンシとストレージ要件を悪化させ、バックグラウンドレベルの向上やパーティクル頂点誤結合の頻繁化など、新たな複雑さが出現している。 これにより、機械学習の最近の進歩を生かした、より包括的でスケーラブルな再構築手法の開発が必要とされる。 本稿では,多様な粒子衝突関係のための一意表現と拡張性のための統合グラフ解析層を特徴とする新しいヘテロジニアスグラフニューラルネットワーク(HGNN)アーキテクチャを提案する。 このHGNNはLHCb実験を模倣した環境下でマルチタスクパラダイムで訓練され、美容ハドロン再構成性能を著しく向上させる。 特に、単一のフレームワーク内でパーティクル頂点アソシエーションとグラフプルーニングを同時に実行する。 我々は、再構成とプルーニング性能の定量化、イベントの複雑さを伴う推論時間スケーリングの強化、および重み付きメッセージパッシング方式による潜在的な性能損失を軽減する。

関連論文リスト

• 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)
• Enhancing High-Energy Particle Physics Collision Analysis through Graph Data Attribution Techniques [0.0]
  本稿では、シミュレーション粒子衝突データセットを用いて、グラフ分類パイプライン内の影響分析を統合する。 グラフニューラルネットワークを初等訓練に用いることにより,学習サンプルの同定に勾配に基づくデータ影響法を適用した。 破棄された要素を分析することで、イベント分類タスクに関するさらなる洞察を得ることができる。
  論文  参考訳（メタデータ） (2024-07-20T12:40:03Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors [1.4609888393206634]
  電子-陽電子衝突における事象再構成のためのスケーラブルな機械学習モデルについて, フル検出器シミュレーションに基づく検討を行った。 グラフニューラルネットワークとカーネルベースのトランスフォーマーを比較し、現実的な再構築を実現しつつ、操作を回避できることを実証する。 最良のグラフニューラルネットワークモデルでは、ルールベースのアルゴリズムと比較して、ジェット横運動量分解能が最大50%向上している。
  論文  参考訳（メタデータ） (2023-09-13T08:16:15Z)
• 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)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• 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)
• Efficient Image Super-Resolution with Feature Interaction Weighted Hybrid Network [101.53907377000445]
  軽量画像超解像は、低解像度画像から低計算コストで高解像度画像を再構成することを目的としている。 既存の方法では、活性化関数による中間層の特徴が失われる。 本稿では,中間的特徴損失が再構成品質に与える影響を最小限に抑えるために,特徴相互作用重み付きハイブリッドネットワーク(FIWHN)を提案する。
  論文  参考訳（メタデータ） (2022-12-29T05:57:29Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Performance of Particle Tracking Using a Quantum Graph Neural Network [1.0480625205078853]
  大型ハドロン衝突型加速器(LHC)は、粒子衝突(光度)の瞬間的な速度を高めるためにアップグレードされ、高輝度LHCとなる。 この研究は、指数関数的に増大するヒルベルト空間の恩恵を得るために、トラック再構成タスクで証明された新しいグラフニューラルネットワークモデルをハイブリッドグラフニューラルネットワークに変換する可能性を探究する。
  論文  参考訳（メタデータ） (2020-12-02T18:23:48Z)
• Limited-angle tomographic reconstruction of dense layered objects by dynamical machine learning [68.9515120904028]
  強い散乱準透明物体の有限角トモグラフィーは困難で、非常に不適切な問題である。 このような問題の状況を改善することにより、アーティファクトの削減には、事前の定期化が必要である。 我々は,新しい分割畳み込みゲート再帰ユニット(SC-GRU)をビルディングブロックとして,リカレントニューラルネットワーク(RNN)アーキテクチャを考案した。
  論文  参考訳（メタデータ） (2020-07-21T11:48:22Z)
• A Quantum Graph Neural Network Approach to Particle Track Reconstruction [1.087475836765689]
  本稿では,初期単純化ツリーネットワーク(TTN)モデルの低精度化を克服するために,反復的アプローチによる改良モデルを提案する。 我々は、量子コンピューティングの能力を活用して、非常に多くの状態を同時に評価し、それによって、大きなパラメータ空間を効果的に探索することを目指している。
  論文  参考訳（メタデータ） (2020-07-14T07:25:24Z)

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。