論文の概要: MEDIC: a network for monitoring data quality in collider experiments

• arxiv url: http://arxiv.org/abs/2511.18172v1
• Date: Sat, 22 Nov 2025 19:53:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.669915
• Title: MEDIC: a network for monitoring data quality in collider experiments
• Title（参考訳）: MEDIC:コライダー実験におけるデータ品質監視ネットワーク
• Authors: Juvenal Bassa, Arghya Chattopadhyay, Sudhir Malik, Mario Escabi Rivera,
• Abstract要約: データ品質モニタリング(DQM)は、粒子物理学実験の重要なコンポーネントである。 本研究では,DQMに対するシミュレーション駆動型アプローチを提案し,データ品質方法論の研究と開発を可能にした。 本稿では,検出動作の学習とDQMタスクの実行を目的としたニューラルネットワークであるMEDICを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data Quality Monitoring (DQM) is a crucial component of particle physics experiments and ensures that the recorded data is of the highest quality, and suitable for subsequent physics analysis. Due to the extreme environmental conditions, unprecedented data volumes, and the sheer scale and complexity of the detectors, DQM orchestration has become a very challenging task. Therefore, the use of Machine Learning (ML) to automate anomaly detection, improve efficiency, and reduce human error in the process of collecting high-quality data is unavoidable. Since DQM relies on real experimental data, it is inherently tied to the specific detector substructure and technology in operation. In this work, a simulation-driven approach to DQM is proposed, enabling the study and development of data-quality methodologies in a controlled environment. Using a modified version of Delphes -- a fast, multi-purpose detector simulation -- the preliminary realization of a framework is demonstrated which leverages ML to identify detector anomalies as well as localize the malfunctioning components responsible. We introduce MEDIC (Monitoring for Event Data Integrity and Consistency), a neural network designed to learn detector behavior and perform DQM tasks to look for potential faults. Although the present implementation adopts a simplified setup for computational ease, where large detector regions are deliberately deactivated to mimic faults, this work represents an initial step toward a comprehensive ML-based DQM framework. The encouraging results underline the potential of simulation-driven studies as a foundation for developing more advanced, data-driven DQM systems for future particle detectors.
• Abstract（参考訳）: データ品質モニタリング(DQM)は、粒子物理学実験において重要な要素であり、記録されたデータが最高品質であり、その後の物理解析に適していることを保証する。 極度の環境条件、前例のないデータ量、検出器のスケールと複雑さのため、DQMオーケストレーションは非常に難しい課題となっている。 そのため、機械学習(ML)による異常検出の自動化、効率の向上、高品質なデータの収集プロセスにおけるヒューマンエラーの低減は避けられない。 DQMは実際の実験データに依存しているため、本質的には特定の検出器のサブ構造と動作中の技術に結びついている。 本研究では,DQMに対するシミュレーション駆動型アプローチを提案し,制御環境におけるデータ品質方法論の研究と開発を可能にする。 高速で多目的な検出器シミュレーションであるDelphesの修正版を使用することで、MLを活用して検出異常を特定し、原因となる機能不全コンポーネントをローカライズするフレームワークの予備的な実現が示されている。 MEDIC(Monitoring for Event Data Integrity and Consistency)は,検出動作を学習し,潜在的な障害を探すためにDQMタスクを実行するように設計されたニューラルネットワークである。 本実装では,大規模な検出領域を意図的に非活性化して障害を模倣する,計算容易性のための単純化されたセットアップを採用しているが,この作業は総合的なMLベースのDQMフレームワークに向けた最初のステップである。 この奨励的な結果は、将来の粒子検出器のためのより高度なデータ駆動型DQMシステムの開発の基礎として、シミュレーション駆動型研究の可能性を示している。

関連論文リスト

• DINAMO: Dynamic and INterpretable Anomaly MOnitoring for Large-Scale Particle Physics Experiments [0.0]
  提案するDINAMOは,新しい,解釈可能な,堅牢でスケーラブルなDQMフレームワークである。 提案手法は, 階層構造を組み込んだヒストグラムテンプレートの構築である。 この統計的変種は、大型ハドロン衝突型加速器のLHCb実験で委託されている。
  論文  参考訳（メタデータ） (2025-01-31T15:51:41Z)
• Data Quality Monitoring for the Hadron Calorimeters Using Transfer Learning for Anomaly Detection [0.7767589715518638]
  トランスファーラーニング(TL)メカニズムは、新しいタスクに事前訓練されたモデルを利用することで、データのスパーシリティとモデルの複雑さを軽減することを約束する。 畳み込み,グラフ,リカレントニューラルネットワークを組み込んだハイブリッドオートエンコーダアーキテクチャを用いて,高次元ST ADにおけるTLの可能性を示す。 本研究では,CERNにおけるコンパクト・ムーン・ソレノイド実験のキャロリメータの異なる部位で訓練されたモデルの伝達性について検討した。
  論文  参考訳（メタデータ） (2024-08-29T15:19:06Z)
• Human-in-the-loop Reinforcement Learning for Data Quality Monitoring in Particle Physics Experiments [0.0]
  本稿では,データ品質モニタリングプロセスを自動化するために,人間によるループ強化学習を適用するための概念実証を提案する。 人間の分類におけるランダムな非バイアスノイズが低減され,ベースラインの精度が向上することを示す。
  論文  参考訳（メタデータ） (2024-05-24T12:52:46Z)
• Signal Detection in MIMO Systems with Hardware Imperfections: Message Passing on Neural Networks [101.59367762974371]
  本稿では,Multi-Input-multiple-output (MIMO)通信システムにおける信号検出について検討する。 パイロット信号が限られているディープニューラルネットワーク(DNN)のトレーニングは困難であり、実用化を妨げている。 我々は、ユニタリ近似メッセージパッシング(UAMP)アルゴリズムを利用して、効率的なメッセージパッシングに基づくベイズ信号検出器を設計する。
  論文  参考訳（メタデータ） (2022-10-08T04:32:58Z)
• Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
  本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。 我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
  論文  参考訳（メタデータ） (2021-10-19T17:41:43Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。