論文の概要: Application of a Mixture of Experts-based Foundation Model to the GlueX DIRC Detector
- arxiv url: http://arxiv.org/abs/2604.24775v1
- Date: Fri, 17 Apr 2026 20:13:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 02:32:14.217826
- Title: Application of a Mixture of Experts-based Foundation Model to the GlueX DIRC Detector
- Title（参考訳）: GlueX DIRC検出器へのエキスパートベースファウンデーションモデルの応用
- Authors: Cristiano Fanelli, James Giroux, Cole Granger, Justin Stevens,
- Abstract要約: 本稿では,ジェファーソン研究所のGlueX DIRC検出器に適用したMixture-of-Expertsに基づく基礎モデルを提案する。
我々は、チェレンコフ光子の高速シミュレーション、粒子識別、ヒットレベルノイズフィルタリングのための統一的なフレームワークとしての有用性を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a Mixture-of-Experts-based foundation model applied to the GlueX DIRC detector at Jefferson Lab, demonstrating its utility as a unified framework for fast simulation, particle identification, and hit-level noise filtering of Cherenkov photons. By leveraging a single shared transformer backbone across all tasks, the approach eliminates the fragmentation of task-specific pipelines while maintaining competitive-and in several cases superior-performance relative to established methods. The model operates directly on low-level detector inputs, performing hit-by-hit autoregressive generation over split spatial and temporal vocabularies with continuous kinematic conditioning, and supports class-conditional generation of pions and kaons through its Mixture-of-Experts architecture. We benchmark against the standard geometrical reconstruction and prior deep learning methods across the full kinematic phase space of the GlueX DIRC, demonstrating that the foundation model framework transfers effectively to this detector without architectural modification. This work positions the foundation model as a practical and scalable alternative to the suite of task-specific models currently proposed for GlueX DIRC analysis.
- Abstract（参考訳）: 本稿では,ジェファーソン研究所のGlueX DIRC検出器に適用したMixture-of-Expertsに基づく基礎モデルについて述べる。
すべてのタスクにまたがる単一の共有トランスフォーマーバックボーンを活用することで、このアプローチはタスク固有のパイプラインの断片化を排除し、競争力を維持すると同時に、確立されたメソッドと比較して優れたパフォーマンスを維持する。
このモデルは、低レベルの検出器入力を直接操作し、連続的なキネマティック条件付き空間と時間的な語彙を分割してヒット・バイ・ヒットの自己回帰生成を行い、Mixture-of-Expertsアーキテクチャを通じてピオンとカオンのクラス条件生成をサポートする。
我々は,GlueX DIRCの全運動位相空間における標準的な幾何学的再構成と事前の深層学習手法に対してベンチマークを行い,基礎モデルフレームワークが設計上の変更なしにこの検出器に効果的に転送できることを実証した。
この研究は、GlueX DIRC分析のために現在提案されているタスク固有モデルスイートの実用的でスケーラブルな代替品として基礎モデルを位置づけている。
関連論文リスト
- Mixture-of-Models: Unifying Heterogeneous Agents via N-Way Self-Evaluating Deliberation [0.0]
本稿では,N-Way Self-Evaluating Deliberation (NSED) プロトコル,Mixture-of-Models (MoM) アーキテクチャを提案する。
静的ゲーティングネットワークに依存する従来のMixture-of-Experts (MoE)とは異なり、NSEDはモデル選択をKnapsack問題のバリエーションとして扱うDynamic Expertise Brokerを使用している。
論文 参考訳（メタデータ） (2026-01-23T16:11:54Z) - Few-Shot Video Object Segmentation in X-Ray Angiography Using Local Matching and Spatio-Temporal Consistency Loss [13.850743997507488]
探索空間を最も近いピクセルに制限する局所マッチング戦略を用いた新しいFSVOSモデルを提案する。
具体的には、動的に異なるサンプリング領域を実現できる非パラメトリックサンプリング機構を実装した。
この研究は、幅広い臨床応用のための強化されたポテンシャルを提供する。
論文 参考訳（メタデータ） (2026-01-02T21:26:28Z) - Source-Free Object Detection with Detection Transformer [59.33653163035064]
Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。
ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。
本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
論文 参考訳（メタデータ） (2025-10-13T07:35:04Z) - Interlaced dynamic XCT reconstruction with spatio-temporal implicit neural representations [0.0]
Inmplicit Neural Representations を用いた動的X線CT(Dynamic X-ray Computed Tomography)再構成の検討を行った。
提案手法は,ADMMに基づく最適化と,事前知識を組み込んだ条件付けフレームワークINCODEを組み合わせることで,効率的な収束を実現する。
全ての設定において、我々のモデルは強力なパフォーマンスのロバスト性を実現し、最先端のモデルベース反復法であるTIMBIR(Time-Inter Model-Based Iter Reconstruction)より優れている。
論文 参考訳（メタデータ） (2025-10-09T01:33:58Z) - Towards Foundation Models for Zero-Shot Time Series Anomaly Detection: Leveraging Synthetic Data and Relative Context Discrepancy [33.68487894996624]
時系列異常検出(TSAD)は重要な課題であるが、見えないデータに一般化するモデルを開発することは大きな課題である。
我々は、新しい事前学習パラダイムの上に構築されたTSADの新たな基盤モデルであるtextttTimeRCDを紹介した。
textttTimeRCD はゼロショット TSAD において,既存の汎用および異常固有の基盤モデルよりも大幅に優れていることを示す。
論文 参考訳（メタデータ） (2025-09-25T14:05:15Z) - Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。
我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
論文 参考訳（メタデータ） (2025-09-03T18:05:02Z) - Inference-Time Scaling of Diffusion Language Models with Particle Gibbs Sampling [70.8832906871441]
我々は、モデルを再訓練することなく、所望の報酬に向けて世代を操る方法を研究する。
従来の手法では、通常は1つの認知軌道内でサンプリングやフィルタを行い、軌道レベルの改善なしに報酬をステップバイステップで最適化する。
本稿では,拡散言語モデル(PG-DLM)の粒子ギブスサンプリングについて紹介する。
論文 参考訳（メタデータ） (2025-07-11T08:00:47Z) - FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。
拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。
少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
論文 参考訳（メタデータ） (2025-05-23T00:07:59Z) - Towards Foundation Models for Experimental Readout Systems Combining Discrete and Continuous Data [0.0]
我々は、将来の電子イオン衝突型加速器において、チェレンコフ検出器からの低レベル検出器入力を動作させることができる(プロトタイプ)核物理学基礎モデルを提案する。
提案手法は,既存のトークン化方式の解像度損失や条件付き生成の限定的サポートといった潜在的な課題に対処することを目的としている。
本モデルにより,チェレンコフ光子に対する高速かつ高忠実な画素生成および時間列生成が可能となり,高速DIRCにおけるクロージャ試験により検証された。
論文 参考訳（メタデータ） (2025-05-13T16:49:45Z) - Reflected Diffusion Models [93.26107023470979]
本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。
提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
論文 参考訳（メタデータ） (2023-04-10T17:54:38Z) - Deep Keypoint-Based Camera Pose Estimation with Geometric Constraints [80.60538408386016]
連続するフレームから相対的なカメラのポーズを推定することは、視覚計測の基本的な問題である。
本稿では,検出,特徴抽出,マッチング,外乱除去のための学習可能なモジュールで構成されるエンドツーエンドのトレーニング可能なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-29T21:41:31Z)
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。