論文の概要: Explainable AI for Jet Tagging: A Comparative Study of GNNExplainer, GNNShap, and GradCAM for Jet Tagging in the Lund Jet Plane

• arxiv url: http://arxiv.org/abs/2604.25885v1
• Date: Tue, 28 Apr 2026 17:28:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-29 16:49:17.975794
• Title: Explainable AI for Jet Tagging: A Comparative Study of GNNExplainer, GNNShap, and GradCAM for Jet Tagging in the Lund Jet Plane
• Title（参考訳）: GNNExplainer, GNNShap, GradCAMによるLund Jet Planeのジェットタグ作成のための説明可能なAIの比較
• Authors: Pahal D. Patel, Sanmay Ganguly,
• Abstract要約: グラフニューラルネットワークは、大型ハドロン衝突型加速器のジェットタグベンチマークで最先端のパフォーマンスを達成する。 我々は、摂動ベース(GNNExplainer)、シェープ値ベース(GNNShap)、勾配ベース(GRADCam)の異なる方法を提案する。 我々はモンテカルロの真理説明マスクを構築し,物理インフォームド評価フレームワークを導入する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks such as ParticleNet and transformer based networks on point clouds such as ParticleTransformer achieve state-of-the-art performance on jet tagging benchmarks at the Large Hadron Collider, yet the physical reasoning behind their predictions remains opaque. We present different methods, i.e. perturbation-based (GNNExplainer), Shapley-value-based (GNNShap), and gradient-based (GRADCam); adapted to operate on LundNet's Lund-plane graph representation. Leveraging the fact that each node in the Lund plane corresponds to a physically meaningful parton splitting, we construct Monte Carlo truth explanation masks and introduce a physics-informed evaluation framework that goes beyond standard fidelity metrics. We perform the analysis in three transverse-momentum bins ($\mathrm{p_T} \in [500,700]$, $[800,1000]$, and the inclusive region $[500,1000]$ GeV), revealing how explanation quality and focus shift between non-perturbative and perturbative regimes. We further quantify the correlation between explainer-assigned node importance and classical jet substructure observables -- $N$-subjettiness ratios $τ_{21}$ and $τ_{32}$ and the energy correlation functions -- establishing the degree to which the model has learned known QCD features. We find that overall the weight assigned by explainability methods has a correlation with analytic observables, with expected shift across different phase space regimes, indicating that a trained neural network indeed learns some aspects of jet-substructure moments. Our open-source implementation enables reproducible explainability studies for graph-based jet taggers.
• Abstract（参考訳）: ParticleNetのようなグラフニューラルネットワークや、ParticleTransformerのようなポイントクラウド上のトランスフォーマーベースのネットワークは、大型ハドロン衝突型加速器のジェットタグ付けベンチマークで最先端のパフォーマンスを達成するが、それらの予測の背後にある物理的理由はいまだ不透明である。 我々は、LundNetのLund平面グラフ表現に適応した摂動ベース(GNNExplainer)、シェープ値ベース(GNNShap)、勾配ベース(GRADCam)の様々な手法を提案する。 Lund平面の各ノードが物理的に意味のあるパートン分割に対応するという事実を活用して、モンテカルロの真理説明マスクを構築し、標準忠実度指標を超える物理インフォームド評価フレームワークを導入する。 我々は,3つの横モーメントのビン($\mathrm{p_T} \in [500,700]$,$[800,1000]$,包括領域$[500,1000]$GeV)で解析を行い,非摂動的・摂動的体制間の説明品質と焦点のシフトについて明らかにした。 さらに、説明-代入ノードの重要度と古典ジェットサブ構造オブザーバ-$N$-subjettiness ratios $τ_{21}$と$τ_{32}$とエネルギー相関関数の相関を定量化し、モデルが既知のQCD特徴を学習した度合いを確立する。 説明可能性法によって割り当てられた重量は、解析的観測値と相関し、異なる位相空間状態間でのシフトが期待でき、訓練されたニューラルネットワークが実際にジェット・サブストラクチャーモーメントのいくつかの側面を学習していることが示される。 我々のオープンソース実装は、グラフベースのジェットタグの再現可能な説明可能性の研究を可能にする。

関連論文リスト

• Physics-Informed Graph Neural Networks for Transverse Momentum Estimation in CMS Trigger Systems [0.0]
  高エネルギー物理におけるリアルタイム粒子横運動量(p_T$)推定は、厳密なハードウェア制約の下で効率的なアルゴリズムを要求する。 本稿では,物理インフォームドグラフニューラルネットワーク(GNN)フレームワークを提案する。 我々の共同設計手法は、既存のベースラインに比べて精度と効率のトレードオフが優れている。
  論文  参考訳（メタデータ） (2025-07-25T12:19:57Z)
• A Spectral Interpretation of Redundancy in a Graph Reservoir [51.40366905583043]
  この研究はMRGNN(Multi resolution Reservoir Graph Neural Network)における貯留層の定義を再考する。 コンピュータグラフィックスにおける表面設計の分野で最初に導入されたフェアリングアルゴリズムに基づく変種を提案する。 この論文の中核的な貢献は、ランダムウォークの観点からのアルゴリズムの理論解析にある。
  論文  参考訳（メタデータ） (2025-07-17T10:02:57Z)
• SimCalib: Graph Neural Network Calibration based on Similarity between Nodes [60.92081159963772]
  グラフニューラルネットワーク(GNN)は、さまざまなアプリケーションで実証されたグラフデータのモデリングにおいて、優れたパフォーマンスを示している。 理論解析により,GNNキャリブレーションとノードワイド類似性の関係について考察した。 SimCalibと名付けられた新しい校正フレームワークは、グローバルレベルとローカルレベルにおけるノード間の類似性を検討するために提案されている。
  論文  参考訳（メタデータ） (2023-12-19T04:58:37Z)
• Quantifying the Optimization and Generalization Advantages of Graph Neural Networks Over Multilayer Perceptrons [50.33260238739837]
  グラフネットワーク(GNN)は、グラフ構造化データから学習する際、顕著な能力を示した。 最適化と一般化の観点から、GNNと一般化を比較した分析の欠如がまだ残っている。
  論文  参考訳（メタデータ） (2023-06-24T10:21:11Z)
• Geometric Graph Filters and Neural Networks: Limit Properties and Discriminability Trade-offs [122.06927400759021]
  本稿では,グラフニューラルネットワーク (GNN) と多様体ニューラルネットワーク (MNN) の関係について検討する。 これらのグラフ上の畳み込みフィルタとニューラルネットワークが連続多様体上の畳み込みフィルタとニューラルネットワークに収束することを示す。
  論文  参考訳（メタデータ） (2023-05-29T08:27:17Z)
• $p$-Laplacian Based Graph Neural Networks [27.747195341003263]
  グラフネットワーク(GNN)は、グラフ上の半教師付きノード分類において優れた性能を示す。 我々は、離散正規化フレームワークからメッセージパッシング機構を導出する$p$GNNと呼ばれる新しい$p$LaplacianベースのGNNモデルを提案する。 新たなメッセージパッシング機構は低域通過フィルタと高域通過フィルタを同時に動作させることで,ホモ親和性グラフとヘテロ親和性グラフの両方に対して$p$GNNを有効にすることができることを示す。
  論文  参考訳（メタデータ） (2021-11-14T13:16:28Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• A Meta-Learning Approach for Training Explainable Graph Neural Networks [10.11960004698409]
  本稿では,GNNの学習時間における説明可能性向上のためのメタラーニングフレームワークを提案する。 我々のフレームワークは、例えばノード分類などの元のタスクを解決するためにモデルを共同で訓練し、下流アルゴリズムで容易に処理可能な出力を提供する。 我々のモデルに依存しないアプローチは、異なるGNNアーキテクチャで生成された説明を改善し、このプロセスを駆動するためにインスタンスベースの説明器を使用することができます。
  論文  参考訳（メタデータ） (2021-09-20T11:09:10Z)
• Jet tagging in the Lund plane with graph networks [0.0]
  LundNetは、グラフニューラルネットワークとジェット内の放射パターンの効率的な記述に依存する、新しいジェットタグ手法である。 従来の最先端アルゴリズムと比較して,トップタグ処理の性能は大幅に向上した。
  論文  参考訳（メタデータ） (2020-12-15T19:00:01Z)

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。