論文の概要: Transfer Learning for Neutrino Scattering: Domain Adaptation with GANs

• arxiv url: http://arxiv.org/abs/2508.12987v1
• Date: Mon, 18 Aug 2025 15:08:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.390339
• Title: Transfer Learning for Neutrino Scattering: Domain Adaptation with GANs
• Title（参考訳）: ニュートリノ散乱のための伝達学習:GANを用いた領域適応
• Authors: Jose L. Bonilla, Krzysztof M. Graczyk, Artur M. Ankowski, Rwik Dharmapal Banerjee, Beata E. Kowal, Hemant Prasad, Jan T. Sobczyk,
• Abstract要約: 我々は、合成電荷電流(CC)ニュートリノ炭素包摂散乱データに基づいて訓練されたGANモデルで符号化された物理知識の抽出に転写学習を用いる。 また、異なるニュートリノ・核相互作用モデルから新しいデータが得られた場合、カスタムモデルを再最適化する際の転送学習の有効性を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We utilize transfer learning to extrapolate the physics knowledge encoded in a Generative Adversarial Network (GAN) model trained on synthetic charged-current (CC) neutrino-carbon inclusive scattering data. This base model is adapted to generate CC inclusive scattering events (lepton kinematics only) for neutrino-argon and antineutrino-carbon interactions. Furthermore, we assess the effectiveness of transfer learning in re-optimizing a custom model when new data comes from a different neutrino-nucleus interaction model. Our results demonstrate that transfer learning significantly outperforms training generative models from scratch. To study this, we consider two training data sets: one with 10,000 and another with 100,000 events. The models obtained via transfer learning perform well even with smaller training data. The proposed method provides a promising approach for constructing neutrino scattering event generators in scenarios where experimental data is sparse.
• Abstract（参考訳）: 我々は移動学習を利用して、合成電荷電流(CC)ニュートリノ炭素包摂散乱データに基づいて訓練されたGANモデルで符号化された物理知識を外挿する。 この基底モデルは、ニュートリノアルゴンと反ニュートリノ-炭素相互作用のためのCC包摂散乱事象(レプトンキネマティクスのみ)を生成するように適応されている。 さらに、異なるニュートリノ・核相互作用モデルから新しいデータが得られた場合、カスタムモデルを再最適化する際の転送学習の有効性を評価する。 以上の結果から,トランスファー学習が生成モデルの訓練をスクラッチから大幅に上回っていることが示唆された。 これを研究するために、トレーニングデータセットを2つ検討する。1つは1万、もう1つは10万のイベントである。 転送学習によって得られたモデルは、より少ないトレーニングデータでも良好に動作する。 提案手法は,実験データが少ないシナリオでニュートリノ散乱イベントジェネレータを構築するための有望な手法を提供する。

関連論文リスト

• Re-optimization of a deep neural network model for electron-carbon scattering using new experimental data [0.0]
  包括的電子-炭素散乱のためのディープニューラルネットワークモデルを提案する。 我々は最近の実験データと、深部非弾性散乱領域における古い測定を取り入れた。
  論文  参考訳（メタデータ） (2025-08-01T18:05:38Z)
• Fine-tuning machine-learned particle-flow reconstruction for new detector geometries in future colliders [1.988691274281547]
  本研究では,高エネルギー粒子衝突装置における粒子流再構成を訓練した機械学習アルゴリズムにおいて,伝達学習能力を実証する。 我々の知る限り、これは粒子-流れ再構成のための完全なクロス・ディテクター・トランスファー学習研究としては初めてのものである。
  論文  参考訳（メタデータ） (2025-02-28T19:16:01Z)
• Generative adversarial neural networks for simulating neutrino interactions [0.0]
  本稿では,ニュートリノ散乱現象を標準モンテカルロ発生器の代替としてシミュレートする新しい手法を提案する。 ミューオン運動変数、特にそのエネルギーと散乱角を生成するための単純化された枠組みを考える。 2つのGANモデルが得られ、1つは準弾性ニュートリノ核散乱をシミュレートし、もう1つは与えられたニュートリノエネルギーで全ての相互作用をシミュレートした。
  論文  参考訳（メタデータ） (2025-02-27T16:28:39Z)
• Diffusion-Based Neural Network Weights Generation [80.89706112736353]
  D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。 本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。 我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
  論文  参考訳（メタデータ） (2024-02-28T08:34:23Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Federated Learning with Projected Trajectory Regularization [65.6266768678291]
  フェデレーション学習は、ローカルデータを共有せずに、分散クライアントから機械学習モデルの共同トレーニングを可能にする。 連合学習における重要な課題の1つは、クライアントにまたがる識別できない分散データを扱うことである。 本稿では,データ問題に対処するための予測軌道正則化(FedPTR)を備えた新しいフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-22T02:12:08Z)
• Latent Code Augmentation Based on Stable Diffusion for Data-free Substitute Attacks [47.84143701817491]
  ブラックボックス代替攻撃では対象モデルのトレーニングデータが利用できないため、近年のスキームではGANを用いて代替モデルのトレーニングデータを生成する。 本稿では,SD(Stable Diffusion)に基づくデータフリー代替攻撃方式を提案する。
  論文  参考訳（メタデータ） (2023-07-24T15:10:22Z)
• Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
  我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。 どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。 また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
  論文  参考訳（メタデータ） (2023-03-24T11:12:37Z)

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。