論文の概要: JetParticle-JEPA: An Efficient Self-Supervised Representation Learning method for Jet Tagging in High-Energy Physics

• arxiv url: http://arxiv.org/abs/2606.14813v1
• Date: Fri, 12 Jun 2026 08:25:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.250193
• Title: JetParticle-JEPA: An Efficient Self-Supervised Representation Learning method for Jet Tagging in High-Energy Physics
• Title（参考訳）: JetParticle-JEPA:高エネルギー物理学におけるジェットタグの効率的な自己監督型表現学習法
• Authors: Guillaume Letellier, Antonin Vacheret, Frédéric Jurie,
• Abstract要約: 本稿では,JetParticle-JEPA(JP-JEPA)を紹介する。 物理的に意味のあるジェット表現を、トークン化や原入力の再構成なしに、連続粒子雲から直接学習する。 JP-JEPAは、パーティクルトランスフォーマーのバックボーン上に構築され、微粒なキネマティックな相関を保ちながら、マスクされた粒子の潜伏表現を予測する。
• 参考スコア（独自算出の注目度）: 4.231181719953953
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Jet tagging at the Large Hadron Collider increasingly relies on deep learning models trained on massive simulated datasets, leading to high computational costs and limited robustness to detector mismodeling. We introduce JetParticle-JEPA (JP-JEPA), a self-supervised Joint-Embedding Predictive Architecture that learns physically meaningful jet representations directly from continuous particle clouds without tokenization or reconstruction of raw inputs. Built on a Particle Transformer backbone, JP-JEPA predicts latent representations of masked particles while preserving fine-grained kinematic correlations. On the JetClass benchmark, JP-JEPA achieves performance comparable to fully supervised state-of-the-art methods on the full dataset, surpasses supervised baselines in low-label regimes, and significantly outperforms existing SSL approaches. On Top Quark and Quark-Gluon Tagging benchmarks, it remains on par with supervised methods. The learned representations also exhibit strong robustness to missing detector information and improved uncertainty behavior, highlighting JP-JEPA as a promising foundation-model framework for robust and data-efficient jet physics at the LHC.
• Abstract（参考訳）: 大型ハドロン衝突型加速器でのジェットタグ付けは、大規模なシミュレーションデータセットで訓練されたディープラーニングモデルにますます依存している。 本稿では,JetParticle-JEPA(JP-JEPA)について紹介する。JetParticle-JEPA(JP-JEPA)は,連続粒子雲から直接物理的に意味のあるジェット表現を,トークン化や生入力の再構成なしに学習する自己教師型統合埋め込み予測アーキテクチャである。 JP-JEPAは、パーティクルトランスフォーマーのバックボーン上に構築され、微粒なキネマティックな相関を保ちながら、マスクされた粒子の潜伏表現を予測する。 JetClassベンチマークでは、JP-JEPAは完全なデータセット上の教師付きステート・オブ・ザ・アーティカルなメソッドに匹敵するパフォーマンスを達成し、低ラベルのレシエーションにおける教師付きベースラインを超え、既存のSSLアプローチを大幅に上回っている。 Top QuarkとQuark-Gluon Taggingベンチマークでは、教師付きメソッドと同等である。 また,LHCにおけるロバストかつデータ効率のよいジェット物理の基礎モデルとしてJP-JEPAが期待されている。

関連論文リスト

• B-jet Tagging Using a Hybrid Edge Convolution and Transformer Architecture [0.0]
  本稿では,エッジ畳み込みとトランスフォーマーの自己認識機構を統合したハイブリッドディープラーニングアーキテクチャを提案する。 我々は, ECT が b-ジェットに対して 0.9333 AUC を達成することを実証した。 提案アーキテクチャは、特にチャームジェットの拒絶に優れたbジェットタギングにおいて良好な結果が得られる。
  論文  参考訳（メタデータ） (2026-03-22T17:10:07Z)
• LeJEPA: Provable and Scalable Self-Supervised Learning Without the Heuristics [53.247652209132376]
  JEPA(Joint-Embedding Predictive Architectures)は、有望な青写真を提供するが、実践的なガイダンスや理論の欠如がアドホックな研究開発につながっている。 我々はJEPAの包括的な理論を示し、それをbf LeJEPAでインスタンス化する。
  論文  参考訳（メタデータ） (2025-11-11T18:21:55Z)
• Gaussian Embeddings: How JEPAs Secretly Learn Your Data Density [51.15085346971361]
  JEPA(Joint Embedding Predictive Architectures)は、多くのダウンストリームタスクを最初から解決できる表現を学習する。 JEPAsには2つの目的がある: (i) 潜在空間予測項、すなわち、わずかに摂動されたサンプルの表現は、元のサンプルの表現から予測できなければならない、 (ii) 反崩壊項、すなわち、すべてのサンプルが同じ表現を持つべきではない、という2つの目的がある。
  論文  参考訳（メタデータ） (2025-10-07T14:06:30Z)
• Learning Symmetry-Independent Jet Representations via Jet-Based Joint Embedding Predictive Architecture [10.640060102348084]
  自己教師付き学習(SSL)メソッドは、機械学習モデルの作成を支援する可能性がある。 本研究は,手作りによる拡張を伴わないジェット表現の学習手法を提案する。 J-JEPAがジェットタグで学んだ表現を微調整し、タスク固有の表現に対してベンチマークする。
  論文  参考訳（メタデータ） (2024-12-05T19:00:14Z)
• Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
  スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。 本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
  論文  参考訳（メタデータ） (2023-08-14T16:48:57Z)
• EPiC-GAN: Equivariant Point Cloud Generation for Particle Jets [0.0]
  EPiC-GAN - 同変点雲生成逆数ネットワーク - を導入し、可変多重性の点雲を生成する。 EPiC-GANは、大規模粒子乗数によく対応し、ベンチマークジェット生成タスクにおける高世代忠実性を実現する。
  論文  参考訳（メタデータ） (2023-01-17T19:00:00Z)
• BIP: Boost Invariant Polynomials for Efficient Jet Tagging [0.0]
  本稿では,ジェット表現のための新しい,汎用的で透明な枠組みを提案する。 ジェットタグベンチマークの精度は高いが、訓練や評価は桁違いに高速である。
  論文  参考訳（メタデータ） (2022-07-17T19:46:42Z)
• Federated Learning in the Sky: Aerial-Ground Air Quality Sensing Framework with UAV Swarms [53.38353133198842]
  空気質は人間の健康に大きく影響し、空気質指数(AQI)の正確かつタイムリーな予測がますます重要になっている。 本稿では, 精密な3次元空気質モニタリングと予測を行うための, 新たなフェデレーション学習型地上空気質検知フレームワークを提案する。 地中センシングシステムでは, グラフ畳み込みニューラルネットワークを用いたLong Short-Term Memory (GC-LSTM) モデルを提案し, 高精度, リアルタイム, 将来的なAQI推論を実現する。
  論文  参考訳（メタデータ） (2020-07-23T13:32:47Z)

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。