論文の概要: Jet Image Tagging Using Deep Learning: An Ensemble Model

• arxiv url: http://arxiv.org/abs/2508.10034v1
• Date: Sat, 09 Aug 2025 17:40:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.034305
• Title: Jet Image Tagging Using Deep Learning: An Ensemble Model
• Title（参考訳）: ディープラーニングによるジェット画像のタグ付け:アンサンブルモデル
• Authors: Juvenal Bassa, Vidya Manian, Sudhir Malik, Arghya Chattopadhyay,
• Abstract要約: 我々は2つのニューラルネットワークを同時にアンサンブルとして使用し、様々なジェットタイプをタグ付けする。 ジェットデータを高次元空間の点として表現するのではなく、2次元ヒストグラムに変換する。 上述のジェットクラスに対して、アンサンブルモデルが二項分類と多項分類の両方に利用できることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Jet classification in high-energy particle physics is important for understanding fundamental interactions and probing phenomena beyond the Standard Model. Jets originate from the fragmentation and hadronization of quarks and gluons, and pose a challenge for identification due to their complex, multidimensional structure. Traditional classification methods often fall short in capturing these intricacies, necessitating advanced machine learning approaches. In this paper, we employ two neural networks simultaneously as an ensemble to tag various jet types. We convert the jet data to two-dimensional histograms instead of representing them as points in a higher-dimensional space. Specifically, this ensemble approach, hereafter referred to as Ensemble Model, is used to tag jets into classes from the JetNet dataset, corresponding to: Top Quarks, Light Quarks (up or down), and W and Z bosons. For the jet classes mentioned above, we show that the Ensemble Model can be used for both binary and multi-categorical classification. This ensemble approach learns jet features by leveraging the strengths of each constituent network achieving superior performance compared to either individual network.
• Abstract（参考訳）: 高エネルギー粒子物理学におけるジェット分類は、基本的な相互作用を理解し、標準模型を超えた現象を探索するために重要である。 ジェットはクォークとグルーオンの断片化とハドロン化から始まり、複雑な多次元構造のために識別に挑戦する。 従来の分類法は、これらの複雑さを捉えるのに不足することが多く、高度な機械学習アプローチを必要とする。 本稿では,異なるタイプのジェットをタグ付けするためのアンサンブルとして,2つのニューラルネットワークを同時に使用する。 ジェットデータを高次元空間の点として表現するのではなく、2次元ヒストグラムに変換する。 具体的には、このアンサンブルアプローチ(後述のEnsemble Model)は、ジェットネットデータセットからクラスにジェットをタグ付けするために使用され、トップクォーク、ライトクォーク(アップ/ダウン)、WとZボソンに対応する。 上述したジェットクラスに対して、アンサンブルモデルが二項分類と多項分類の両方に利用できることを示す。 このアンサンブルアプローチは,各構成ネットワークの強度を利用してジェット特性を学習し,各構成ネットワークと比較して優れた性能を発揮する。

関連論文リスト

• HEP-JEPA: A foundation model for collider physics using joint embedding predictive architecture [0.0]
  本稿では,高エネルギー粒子衝突器におけるタスクに対するトランスフォーマーアーキテクチャに基づく基礎モデルを提案する。 我々は,ジョイント・エンベディング予測アーキテクチャにインスパイアされた自己監督型戦略を用いて,ジェット機を分類するモデルを訓練する。 我々のモデルは、標準分類ベンチマークタスクのための他のデータセットと相性がいい。
  論文  参考訳（メタデータ） (2025-02-06T10:16:27Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• A multicategory jet image classification framework using deep neural network [0.9350546589421261]
  著者らは、粒子とジェットの特徴抽出によるジェットカテゴリー分離性に注目し、その結果、ジェット分類のための計算効率の良い解釈可能なモデルを生み出した。 この研究は、分離可能な潜在空間で表される高次元データセットがジェット分類のためのより単純なアーキテクチャをもたらすことを示した。
  論文  参考訳（メタデータ） (2024-07-03T22:00:35Z)
• Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
  我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。 本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。 本手法は,既存の学習手法と比較して,高い普遍性を示す。
  論文  参考訳（メタデータ） (2024-05-19T09:19:40Z)
• Flow Matching Beyond Kinematics: Generating Jets with Particle-ID and Trajectory Displacement Information [0.0]
  我々はJetClassデータセットでトレーニングされた最初の生成モデルを紹介する。 本モデルでは, 構成レベルでジェットを発生させ, 流れマッチング法でトレーニングした変分同変連続正規化流(CNF)である。 また,ジェット部品の運動特性を超越した生成モデルも導入した。
  論文  参考訳（メタデータ） (2023-11-30T19:00:02Z)
• Contrastive Training of Complex-Valued Autoencoders for Object Discovery [55.280789409319716]
  アーキテクチャの変更と、最先端の同期モデルを大幅に改善する新しいコントラスト学習手法を導入する。 マルチオブジェクトカラーデータセットにおいて、教師なしの方法でオブジェクトを発見できる同期ベースモデルのクラスを初めて取得する。
  論文  参考訳（メタデータ） (2023-05-24T10:37:43Z)
• Do graph neural networks learn traditional jet substructure? [11.562331287684541]
  グラフニューラルネットワークは、ジェットを内部の粒子間の基礎的で学習可能なエッジ接続を持つ点雲として扱うために使われてきた。 本稿では,最先端ネットワークであるParticleNetにおけるエッジ接続の特定による意思決定プロセスについて検討する。 モデルが訓練されるにつれて、サブジェットとして知られる粒子の異なる中間クラスターを接続する関係エッジの分布の変化が観察される。
  論文  参考訳（メタデータ） (2022-11-17T22:08:10Z)
• Representing Videos as Discriminative Sub-graphs for Action Recognition [165.54738402505194]
  ビデオ中の各アクションの識別パターンを表現およびエンコードするためのサブグラフの新たな設計を提案する。 時空グラフとクラスタを各スケールでコンパクトなサブグラフに新たに構築するMUlti-scale Sub-Earn Ling (MUSLE) フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-11T16:15:25Z)
• Permutationless Many-Jet Event Reconstruction with Symmetry Preserving Attention Networks [62.45440485315577]
  大型ハドロン衝突型加速器で大量に生産されるトップクォークは複雑な検出器シグネチャを持ち、特別な再構築技術を必要とする。 本稿では,SPAネットワーク(Symmetry Preserving Attention Networks, SPA-Net)と呼ばれる,一般化された注意機構を用いたニューラルネットワークに基づく,このタイプの問題に対する新しいアプローチを提案する。 このようなネットワークをトレーニングして、各トップクォークの崩壊生成物をあいまいに識別する。
  論文  参考訳（メタデータ） (2020-10-19T04:23:34Z)

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。