論文の概要: Generator Based Inference (GBI)

• arxiv url: http://arxiv.org/abs/2506.00119v1
• Date: Fri, 30 May 2025 18:00:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.152573
• Title: Generator Based Inference (GBI)
• Title（参考訳）: 発電機ベース推論(GBI)
• Authors: Chi Lung Cheng, Ranit Das, Runze Li, Radha Mastandrea, Vinicius Mikuni, Benjamin Nachman, David Shih, Gup Singh,
• Abstract要約: 我々は、ジェネレータベース推論(GBI)と呼ばれるジェネレータと機械学習の統合を記述するための一般的なフレームワークを提案する。 特に,共振器の異常検出に着目し,背景を記述した生成器をサイドバンドから学習する。 これにより、異常検出の統計的出力を直接解釈できるように変換され、LHCOコミュニティベンチマークデータセットのパフォーマンスは、異常検出感度のための新しい最先端技術を確立する。
• 参考スコア（独自算出の注目度）: 5.2994966713734915
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Statistical inference in physics is often based on samples from a generator (sometimes referred to as a ``forward model") that emulate experimental data and depend on parameters of the underlying theory. Modern machine learning has supercharged this workflow to enable high-dimensional and unbinned analyses to utilize much more information than ever before. We propose a general framework for describing the integration of machine learning with generators called Generator Based Inference (GBI). A well-studied special case of this setup is Simulation Based Inference (SBI) where the generator is a physics-based simulator. In this work, we examine other methods within the GBI toolkit that use data-driven methods to build the generator. In particular, we focus on resonant anomaly detection, where the generator describing the background is learned from sidebands. We show how to perform machine learning-based parameter estimation in this context with data-derived generators. This transforms the statistical outputs of anomaly detection to be directly interpretable and the performance on the LHCO community benchmark dataset establishes a new state-of-the-art for anomaly detection sensitivity.
• Abstract（参考訳）: 物理学における統計的推論は、しばしば、実験データをエミュレートし、基礎となる理論のパラメータに依存するジェネレータ(ときには「フォワードモデル」と呼ばれる)のサンプルに基づいている。 現代の機械学習は、このワークフローをスーパーチャージャーし、高次元および未結合の分析により、これまで以上に多くの情報を利用することができる。 本稿では、ジェネレータベース推論(GBI)と呼ばれるジェネレータと機械学習の統合を記述するための一般的なフレームワークを提案する。 このセットアップのよく研究された特別なケースはシミュレーションベース推論(SBI)であり、ジェネレータは物理ベースのシミュレータである。 本研究では, ジェネレータ構築にデータ駆動手法を用いるGBIツールキット内の他の手法について検討する。 特に,共振器の異常検出に着目し,背景を記述した生成器をサイドバンドから学習する。 データ生成器を用いて機械学習に基づくパラメータ推定を行う方法について述べる。 これにより、異常検出の統計的出力を直接解釈できるように変換され、LHCOコミュニティベンチマークデータセットのパフォーマンスは、異常検出感度のための新しい最先端技術を確立する。

関連論文リスト

• Breaking Latent Prior Bias in Detectors for Generalizable AIGC Image Detection [11.907536189598577]
  現在のAIGC検出器は、トレーニングに使用される同じジェネレータで生成された画像に対してほぼ完璧な精度を達成するが、目に見えないジェネレータからの出力に一般化するのに苦労する。 検出器は、堅牢な生成アーティファクトを学ぶのではなく、初期ノイズベクトルから発生するパターンに関連するショートカットを学習する。 そこで我々は, 発電機の出力多様体に残る逆数例を生成するオン・マニフォールド・逆数訓練(OMAT)を提案する。
  論文  参考訳（メタデータ） (2025-06-01T07:20:45Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Improving Out-of-Distribution Robustness of Classifiers via Generative Interpolation [56.620403243640396]
  ディープニューラルネットワークは、独立かつ同一に分散されたデータ(すなわち、d)から学習する上で、優れたパフォーマンスを達成する。 しかし、アウト・オブ・ディストリビューション(OoD)データを扱う場合、その性能は著しく低下する。 多様なOoDサンプルを合成するために,複数のドメインから学習した生成モデルを融合するための生成補間法(Generative Interpolation)を開発した。
  論文  参考訳（メタデータ） (2023-07-23T03:53:53Z)
• Evaluating generative models in high energy physics [7.545095780512178]
  生成モデルの故障モードに対する評価指標とその感度に関する最初の体系的レビューと調査を行う。 我々はFr'echetとカーネル物理距離(FPDとKPD)の2つの新しい指標を提案し、その性能を計測する様々な実験を行った。 提案手法の有効性を検証し, 新規な注目型生成逆数粒子変換器と, 最先端のメッセージ通過型生成逆数ネットワークジェットシミュレーションモデルとの比較を行った。
  論文  参考訳（メタデータ） (2022-11-18T15:36:28Z)
• Learning Probabilistic Models from Generator Latent Spaces with Hat EBM [81.35199221254763]
  本研究では、エネルギーベースモデル(EBM)の基礎として、任意のジェネレータネットワークを使用する方法を提案する。 128x128解像度の非条件画像ネット合成,(2)既存の生成装置の出力の精細化,(3)非確率的生成装置を組み込んだ学習用EMMにおいて,提案手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-10-29T03:55:34Z)
• Momentum Adversarial Distillation: Handling Large Distribution Shifts in Data-Free Knowledge Distillation [65.28708064066764]
  モーメントム逆蒸留法(MAD)という簡便で効果的な方法を提案する。 MADは、ジェネレータの指数移動平均(EMA)コピーを保持し、ジェネレータとEMAジェネレータの合成サンプルを使用して生徒を訓練する。 ImageNetやPlaces365のような大きなデータセットを含む6つのベンチマークデータセットの実験では、競合する手法よりもMADの方が優れた性能を示している。
  論文  参考訳（メタデータ） (2022-09-21T13:53:56Z)
• 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)
• Simulating the Time Projection Chamber responses at the MPD detector using Generative Adversarial Networks [0.0]
  本研究では、NICA加速器複合体におけるMPD実験のTime Projection Chamberトラッカーのシミュレーションを高速化するための新しいアプローチを実証する。 本手法は,任意の対象の集団分布を暗黙的に非パラメトリックに推定する深層学習手法である,生成型アドレアルネットワークに基づいている。 提案モデルの品質を評価するために,mpdソフトウェアスタックに統合し,詳細なシミュレータと同様の高品質なイベントを生成することを実証する。
  論文  参考訳（メタデータ） (2020-12-08T17:57:37Z)
• Self-awareness in intelligent vehicles: Feature based dynamic Bayesian models for abnormality detection [4.251384905163326]
  本稿では,自律走行車における自己認識性向上のための新しい手法を提案する。 車両からの時系列データは、データ駆動型動的ベイズネットワーク(DBN)モデルの開発に使用される。 協調作業における共同異常検出が可能な初期レベル集団認識モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-29T09:29:47Z)
• Parameter Estimation using Neural Networks in the Presence of Detector Effects [4.230838081898361]
  ヒストグラムベースのテンプレートフィッティングは、高エネルギー物理モンテカルロ発生器のパラメータを推定する主要な手法である。 パラメタライズされたニューラルネットワークの再重み付けは、このフィッティング手順を多くの次元に拡張するために使用することができ、ビンニングを必要としない。 我々は、検出器シミュレーションを伴う1つのデータセットと、検出効果を含まない1つの世代レベルのデータセットのみを必要とする、新しい2段階のフィッティングアプローチを導入する。
  論文  参考訳（メタデータ） (2020-10-07T18:00:01Z)

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。