論文の概要: Machine Learning-based Unfolding for Cross Section Measurements in the Presence of Nuisance Parameters

• arxiv url: http://arxiv.org/abs/2512.07074v1
• Date: Mon, 08 Dec 2025 01:21:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.66657
• Title: Machine Learning-based Unfolding for Cross Section Measurements in the Presence of Nuisance Parameters
• Title（参考訳）: ニュアンスパラメータ存在下での断面積測定のための機械学習による展開
• Authors: Huanbiao Zhu, Krish Desai, Mikael Kuusela, Vinicius Mikuni, Benjamin Nachman, Larry Wasserman,
• Abstract要約: 素粒子物理学では、それらが導入する歪みは検出器のシミュレーションを通して暗黙的にのみ知られている。 現代の機械学習は、高次元データを展開するための効率的なシミュレーションベースのアプローチを可能にした。 機械学習に基づく展開を拡張し、ニュアンスパラメータを組み込む方法を示す。
• 参考スコア（独自算出の注目度）: 0.15325041686671656
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Statistically correcting measured cross sections for detector effects is an important step across many applications. In particle physics, this inverse problem is known as \textit{unfolding}. In cases with complex instruments, the distortions they introduce are often known only implicitly through simulations of the detector. Modern machine learning has enabled efficient simulation-based approaches for unfolding high-dimensional data. Among these, one of the first methods successfully deployed on experimental data is the \textsc{OmniFold} algorithm, a classifier-based Expectation-Maximization procedure. In practice, however, the forward model is only approximately specified, and the corresponding uncertainty is encoded through nuisance parameters. Building on the well-studied \textsc{OmniFold} algorithm, we show how to extend machine learning-based unfolding to incorporate nuisance parameters. Our new algorithm, called Profile \textsc{OmniFold}, is demonstrated using a Gaussian example as well as a particle physics case study using simulated data from the CMS Experiment at the Large Hadron Collider.
• Abstract（参考訳）: 検出器効果の測定断面積を統計的に補正することは、多くの応用において重要なステップである。 素粒子物理学において、この逆問題は \textit{unfolding} と呼ばれる。 複雑な機器の場合、それらが導入する歪みは検出器のシミュレーションを通して暗黙的にのみ知られている。 現代の機械学習は、高次元データを展開するための効率的なシミュレーションベースのアプローチを可能にした。 これらのうち、実験データにうまくデプロイされた最初の方法の1つは、分類器ベースの期待最大化処理である \textsc{OmniFold} アルゴリズムである。 しかし、実際にはフォワードモデルはほとんど特定されておらず、対応する不確実性はニュアンスパラメータによって符号化される。 良く研究された \textsc{OmniFold} アルゴリズムに基づいて、機械学習に基づく展開を拡張し、ニュアンスパラメータを組み込む方法を示す。 我々の新しいアルゴリズムである Profile \textsc{OmniFold} は、ガウスの例と、大型ハドロン衝突型加速器におけるCMS実験のシミュレーションデータを用いた粒子物理ケーススタディを用いて実証された。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Multidimensional Deconvolution with Profiling [0.28587848809639416]
  多くの実験的文脈において、測定を物理的に解釈するためには、機器効果の影響を統計的に除去する必要がある。 我々はOmniFoldアルゴリズムと同じような反復的な方法で動作し、ニュアンスパラメータを同時にプロファイリングできるProfile OmniFoldアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-09-16T15:52:28Z)
• 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)
• An evaluation framework for dimensionality reduction through sectional curvature [59.40521061783166]
  本研究は,非教師付き次元減少性能指標を初めて導入することを目的としている。 その実現可能性をテストするために、この測定基準は最もよく使われる次元削減アルゴリズムの性能を評価するために用いられている。 新しいパラメータ化問題インスタンスジェネレータが関数ジェネレータの形式で構築されている。
  論文  参考訳（メタデータ） (2023-03-17T11:59:33Z)
• Score-based Diffusion Models in Function Space [137.70916238028306]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Unbinned Profiled Unfolding [2.0813318162800707]
  展開は、検出器効果を補正する粒子物理学実験において重要な手順である。 そこで本稿では,非結合な差分断面を生じる機械学習に基づく新しい展開手法を提案する。
  論文  参考訳（メタデータ） (2023-02-10T17:28:01Z)
• FaDIn: Fast Discretized Inference for Hawkes Processes with General Parametric Kernels [82.53569355337586]
  この研究は、有限なサポートを持つ一般パラメトリックカーネルを用いた時間点プロセス推論の効率的な解を提供する。 脳磁図(MEG)により記録された脳信号からの刺激誘発パターンの発生をモデル化し,その有効性を評価する。 その結果,提案手法により,最先端技術よりもパターン遅延の推定精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-10-10T12:35:02Z)
• Amortized Bayesian Inference of GISAXS Data with Normalizing Flows [0.10752246796855561]
  本稿では,変分オートエンコーダと正規化フローを組み合わせたシミュレーションに基づくフレームワークを提案し,パラメータの後方分布を推定する。 提案手法は,ABCと一貫した結果を生み出しながら,推定コストを桁違いに削減することを示した。
  論文  参考訳（メタデータ） (2022-10-04T12:09:57Z)

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。