論文の概要: What Do Lorentz-Equivariant Jet Taggers Learn?

• arxiv url: http://arxiv.org/abs/2606.21790v1
• Date: Fri, 19 Jun 2026 22:42:58 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 15:22:30.787666
• Title: What Do Lorentz-Equivariant Jet Taggers Learn?
• Title（参考訳）: Lorentz-Equivariant Jet Taggersはどんなことを学んだか?
• Authors: Jay Agarwal, Siddharth Khare, Dhruv Kumar,
• Abstract要約: ローレンツ同変ジェットタグは, 等分散試験, 線形プローブ, 等級アブレーションを用いて内部的に学習する。 また,同変モデルがジェット質量とN-サブジェティネスを強く符号化しながら,フレーム依存的偽セラピディティーをゼロに抑えることを示す。
• 参考スコア（独自算出の注目度）: 1.3986052226424095
• License:
• Abstract: We study what Lorentz-equivariant jet taggers learn internally, using equivariance tests, linear probes and grade ablations across five models including L-GATr, L-GATr-slim and LLoCa-T. Linear probes show that equivariant models suppress frame-dependent pseudorapidity to zero while encoding jet mass and N-subjettiness strongly. Grade ablations on L-GATr reveal that bivector channels are negligible for top-quark tagging while vector-like channels are dominant but seed variable, consistent with the network exploiting multiple representational pathways. These results characterize which physical features and algebraic grade structures carry discriminative information in equivariant taggers and may inform future development of such models.
• Abstract（参考訳）: 我々は,L-GATr,L-GATr-slim,LLoCa-Tを含む5種類のモデルに対する等分散試験,線形プローブ,等級アブレーションを用いて,ローレンツ同変ジェットタグが内部で何を学習するかを考察した。 線形プローブは、同変モデルがジェット質量とN-サブジェティネスを強く符号化しながら、フレーム依存の擬似ラピディティをゼロに抑えることを示した。 L-GATrのグレードアブレーションにより、ベクターチャネルはトップクォークタギングでは無視できるが、ベクターのようなチャネルは支配的だがシード変数であり、複数の表現経路を利用するネットワークと一致していることが明らかになった。 これらの結果は、どの物理特徴と代数的グレード構造が同変タガーで識別情報を持てるのかを特徴付け、そのようなモデルの将来的な発展を知らせる可能性がある。

関連論文リスト

• Correction of Transformer-Based Models with Smoothing Pseudo-Projector [0.0]
  擬似プロジェクタは、既存の言語モデルや他のニューラルネットワークに統合可能な軽量な修正である。 ラベル関係の入力内容によって誘導される方向を抑えることにより、雑音に対する感度を低下させる隠蔽表現補正器とみなすことができる。
  論文  参考訳（メタデータ） (2026-03-10T15:42:46Z)
• Demystifying Singular Defects in Large Language Models [61.98878352956125]
  大規模言語モデル(LLM)では、ハイノームトークンの根本原因は未解明のままである。 理論的な洞察と経験的検証の両方を、近年のモデルで提供します。 量子化方式の改良とLCMシグネチャの設計の2つの実用的応用について述べる。
  論文  参考訳（メタデータ） (2025-02-10T20:09:16Z)
• 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)
• Non Commutative Convolutional Signal Models in Neural Networks: Stability to Small Deformations [111.27636893711055]
  非可換畳み込みフィルタのフィルタ特性と安定性について検討する。 この結果は,グループニューラルネットワーク,マルチグラフニューラルネットワーク,四元系ニューラルネットワークに直接影響する。
  論文  参考訳（メタデータ） (2023-10-05T20:27:22Z)
• Lorentz Equivariant Model for Knowledge-Enhanced Hyperbolic Collaborative Filtering [19.57064597050846]
  我々は,知識グラフ(KG)から事前補助情報を導入し,ユーザ・テムグラフを支援する。 我々は、厳密なローレンツ群同変知識強化協調フィルタリングモデル(LECF)を提案する。 LECFは最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-09T10:20:23Z)
• Lorentz group equivariant autoencoders [6.858459233149096]
  Lorentz group autoencoder (LGAE) 正規直交ローレンツ群 $mathrmSO+(2,1)$ に対して自己エンコーダモデル同型を開発する。 我々はLHCのジェット機のアーキテクチャと実験結果を示し、いくつかの圧縮、再構成、異常検出の指標に基づいて、グラフと畳み込みニューラルネットワークのベースラインモデルより優れています。
  論文  参考訳（メタデータ） (2022-12-14T17:19:46Z)
• Linear Connectivity Reveals Generalization Strategies [54.947772002394736]
  微調整されたモデルのいくつかは、それらの間の線形経路における損失を増大させる大きな障壁を持つ。 テスト損失面上で線形に接続されているが、クラスタ外のモデルから切り離されている異なるモデルのクラスタが見つかる。 我々の研究は、損失面の幾何学がモデルを異なる関数へと導く方法を示している。
  論文  参考訳（メタデータ） (2022-05-24T23:43:02Z)
• A Differential Geometry Perspective on Orthogonal Recurrent Models [56.09491978954866]
  我々は微分幾何学からのツールと洞察を用いて、直交rnnの新しい視点を提供する。 直交RNNは、発散自由ベクトル場の空間における最適化と見なすことができる。 この観測に動機づけられて、ベクトル場全体の空間にまたがる新しいリカレントモデルの研究を行う。
  論文  参考訳（メタデータ） (2021-02-18T19:39:22Z)

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。