論文の概要: Lecture notes on Machine Learning applications for global fits

• arxiv url: http://arxiv.org/abs/2604.07520v1
• Date: Wed, 08 Apr 2026 18:53:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.518901
• Title: Lecture notes on Machine Learning applications for global fits
• Title（参考訳）: グローバルフィットのための機械学習アプリケーションに関する講演ノート
• Authors: Jorge Alda,
• Abstract要約: この講義ノートは、現代の機械学習(ML)サロゲートを用いて、高エネルギー物理学におけるグローバルな統計的適合性を実現するための包括的なフレームワークを提供する。 まず、確率関数、ウィルクスの定理、プロファイル可能性を含むモデル構築の統計的基礎を概観する。 このノートには、アクティブな学習とガウス的プロセスによるトレーニングデータの効率的な生成を含む、堅牢なMLワークフローが詳述されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: These lecture notes provide a comprehensive framework for performing global statistical fits in high-energy physics using modern Machine Learning (ML) surrogates. We begin by reviewing the statistical foundations of model building, including the likelihood function, Wilks' theorem, and profile likelihoods. Recognizing that the computational cost of evaluating model predictions often renders traditional minimization prohibitive, we introduce Boosted Decision Trees to approximate the log-likelihood function. The notes detail a robust ML workflow including efficient generation of training data with active learning and Gaussian processes, hyperparameter optimization, model compilation for speed-up, and interpretability through SHAP values to decode the influence of model parameters and interactions between parameters. We further discuss posterior distribution sampling using Markov Chain Monte Carlo (MCMC). These techniques are finally applied to the $B^\pm \to K^\pm ν\barν$ anomaly at Belle II, demonstrating how a two-stage ML model can efficiently explore the parameter space of Axion-Like Particles (ALPs) while satisfying stringent experimental constraints on decay lengths and flavor-violating couplings.
• Abstract（参考訳）: これらの講義ノートは、現代の機械学習(ML)サロゲートを用いて、高エネルギー物理学におけるグローバルな統計的適合を行うための包括的なフレームワークを提供する。 まず、確率関数、ウィルクスの定理、プロファイル可能性を含むモデル構築の統計的基礎を概観する。 モデル予測を評価するための計算コストが従来の最小化を禁ずることが多いことを認識し、ログのような関数を近似するためにブースト決定木を導入する。 このノートには、アクティブな学習とガウシアンプロセスによるトレーニングデータの効率的な生成、ハイパーパラメータ最適化、スピードアップのためのモデルコンパイル、SHAP値による解釈性などを含む堅牢なMLワークフローを詳述し、モデルパラメータとパラメータ間の相互作用の影響をデコードする。 さらに,マルコフ連鎖モンテカルロ (MCMC) を用いた後部分布サンプリングについて検討する。 これらの手法は最終的にベルIIのB^\pm \to K^\pm ν\barν$アノマリーに適用され、2段階のMLモデルが崩壊長さとフレーバー違反結合に関する厳密な実験的制約を満足しながら、Axion-Like Particles (ALPs) のパラメータ空間を効率的に探索できることを示した。

関連論文リスト

• Exploring Patterns Behind Sports [3.2838877620203935]
  本稿では、ARIMAとLSTMを組み合わせたハイブリッドモデルを用いて、時系列予測のための包括的なフレームワークを提案する。 このモデルには埋め込みやPCAといった機能エンジニアリング技術が組み込まれており、生データを低次元の表現に変換する。
  論文  参考訳（メタデータ） (2025-02-11T11:51:07Z)
• Latent Thought Models with Variational Bayes Inference-Time Computation [52.63299874322121]
  ラテント思考モデル(LTM)は、ラテント空間における明示的な事前モデルに従う明示的なラテント思考ベクトルを包含する。 LTMは自己回帰モデルや離散拡散モデルよりも優れたサンプルおよびパラメータ効率を示す。
  論文  参考訳（メタデータ） (2025-02-03T17:50:34Z)
• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Hyperparameter Tuning for Causal Inference with Double Machine Learning: A Simulation Study [4.526082390949313]
  機械学習手法の予測性能と結果の因果推定との関係を実証的に評価する。 我々は,2019 Atlantic Causal Inference Conference Data Challengeのデータを用いて,広範囲にわたるシミュレーション研究を行う。
  論文  参考訳（メタデータ） (2024-02-07T09:01:51Z)
• Online Variational Sequential Monte Carlo [49.97673761305336]
  我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。 オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
  論文  参考訳（メタデータ） (2023-12-19T21:45:38Z)
• Self-learning locally-optimal hypertuning using maximum entropy, and comparison of machine learning approaches for estimating fatigue life in composite materials [0.0]
  疲労損傷を予測するための最大エントロピーの原理に基づくML近傍近似アルゴリズムを開発した。 予測は、他のMLアルゴリズムと同様、高いレベルの精度を達成する。
  論文  参考訳（メタデータ） (2022-10-19T12:20:07Z)
• MoEfication: Conditional Computation of Transformer Models for Efficient Inference [66.56994436947441]
  トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。 スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。 そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
  論文  参考訳（メタデータ） (2021-10-05T02:14:38Z)
• Real-time Forecast Models for TBM Load Parameters Based on Machine Learning Methods [6.247628933072029]
  本論文では, TBM運用データに基づいて機械学習(ML)手法を用いて, TBM負荷パラメータのリアルタイム予測モデルを構築する。 モデル複雑性を低減し、一般化を改善するため、予測タスクの本質的特徴を抽出するために、最小絶対縮小および選択法(Lasso)を適用した。
  論文  参考訳（メタデータ） (2021-04-12T07:31:39Z)
• A Semiparametric Approach to Interpretable Machine Learning [9.87381939016363]
  機械学習におけるブラックボックスモデルは、複雑な問題と高次元設定において優れた予測性能を示した。 透明性と解釈可能性の欠如は、重要な意思決定プロセスにおけるそのようなモデルの適用性を制限します。 半パラメトリック統計学のアイデアを用いて予測モデルにおける解釈可能性と性能のトレードオフを行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-06-08T16:38:15Z)

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。