論文の概要: Machine Can Automatically Discover Parametric Functions to Model HEP Data

• arxiv url: http://arxiv.org/abs/2607.19750v1
• Date: Wed, 22 Jul 2026 04:47:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.979031
• Title: Machine Can Automatically Discover Parametric Functions to Model HEP Data
• Title（参考訳）: 機械はHEPデータをモデル化するパラメトリック関数を自動的に発見できる
• Abstract要約: 本稿では,HEP解析のユースケースを対象とした不確実性モデリングとシンボリックレグレッションを組み合わせたSymbolFitパッケージを提案する。 この反復処理は, 適切な関数がどうあるべきかの事前知識を必要とせず, 関数空間上のデータ駆動探索を行うシンボリック回帰を用いて機械によって自動化可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.14662707248512802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In HEP data analyses, finding an adequate function to model binned data has largely relied on a manual process: guess a functional form by intuition, fit, examine, then repeat until successful. We show that this iterative process can be automated by a machine using symbolic regression, which performs a data-driven search over function space without requiring prior knowledge of what an adequate function should look like. We present the SymbolFit package, which pairs symbolic regression with uncertainty modeling to target HEP analysis use cases, and demonstrate it on the CMS and ATLAS Run 2 dijet spectra: 560 independent seeded runs across seven simple fit configurations generated over 1000 functions fitting the spectra with $χ^2/\text{NDF}\approx 1$, and 111 of the runs rediscovered the very dijet and UA2 functions used in published dijet searches.
• Abstract（参考訳）: HEPデータ分析では、バイナリ化されたデータをモデル化するための適切な関数を見つけることは、直感による関数形式を推測し、適合し、検証し、成功まで繰り返すという、手作業のプロセスに大きく依存している。 この反復処理は, 適切な関数がどうあるべきかの事前知識を必要とせず, 関数空間上のデータ駆動探索を行うシンボリック回帰を用いて機械によって自動化可能であることを示す。 CMS と ATLAS Run 2 のダイジェット・スペクトルでは,CMS と ATLAS Run 2 のダイジェット・スペクトルに対して,CMS と ATLAS Run 2 のシンボリック・レグレッションを組み合わせて,1000 以上の関数に適合する 1000 個の関数に対して独立なシード・ランが生成され,その内の 111 個のランが,ダイジェット・サーチで使用される非常にジジェットと UA2 関数を再発見する。

関連論文リスト

• On Mechanistic Circuits for Extractive Question-Answering [47.167393805165325]
  大規模言語モデルは、文書の処理や質問応答を容易にするためにますます使われている。 本稿では,この実世界の言語モデリングタスクのためのメカニスティック回路を抽出する。 我々は,データ属性やコンテキスト情報といった下流アプリケーションに対する回路の潜在的な利点を示す。
  論文  参考訳（メタデータ） (2025-02-12T01:54:21Z)
• An Explainable Pipeline for Machine Learning with Functional Data [0.1874930567916036]
  関数型データ入力を用いた予測を目的とし,高連続空間からの2つの応用を考察する。 1つの応用は、材料のハイパースペクトルCTスキャンにより爆発物を特定するために、材料タイプを分類することである。 もう1つの応用は、ラマン分光法で抽出したカラーシグネチャを用いてインクジェット印刷された文書をソースプリンタに接続する法医学的なタスクを考えることである。
  論文  参考訳（メタデータ） (2025-01-10T23:33:15Z)
• SymbolFit: Automatic Parametric Modeling with Symbolic Regression [1.2662552408022727]
  シンボリック回帰を用いてパラメトリックモデリングを自動化するフレームワークであるSybolFitを導入し,データに適合する関数の機械探索を行う。 我々は,非自明な分布によく適合する幅広い候補関数を柔軟かつ効率的に生成できることを示す。
  論文  参考訳（メタデータ） (2024-11-15T00:09:37Z)
• ToolACE: Winning the Points of LLM Function Calling [139.07157814653638]
  ToolACEは、正確で複雑で多様なツール学習データを生成するように設計された自動エージェントパイプラインである。 我々は、合成データに基づいてトレーニングされたモデルが、8Bパラメータだけで、バークレー・ファンクション・カリング・リーダーボード上で最先端のパフォーマンスを達成することを実証した。
  論文  参考訳（メタデータ） (2024-09-02T03:19:56Z)
• Discovering physical laws with parallel symbolic enumeration [67.36739393470869]
  並列記号列挙法(PSE)を導入し,限られたデータから汎用数学的表現を効率的に抽出する。 実験の結果,PSEは最先端のベースラインアルゴリズムと比較して精度が高く,計算速度も速いことがわかった。 PSEは、記号的、解釈可能なモデルの正確で効率的なデータ駆動による発見の進歩を表している。
  論文  参考訳（メタデータ） (2024-07-05T10:41:15Z)
• Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
  単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。 我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
  論文  参考訳（メタデータ） (2024-03-08T18:50:19Z)
• Auto-FP: An Experimental Study of Automated Feature Preprocessing for Tabular Data [10.740391800262685]
  機能前処理は、優れたモデル品質を保証するための重要なステップです。 大規模な検索スペースのため、ブルートフォースソリューションは違法に高価である。 我々は、Auto-FP問題を解決するために、様々なHPOおよびNASアルゴリズムを拡張した。
  論文  参考訳（メタデータ） (2023-10-04T02:46:44Z)
• Score-based Diffusion Models in Function Space [137.70916238028306]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 この研究は、関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)と呼ばれる数学的に厳密なフレームワークを導入する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Surrogate modeling for Bayesian optimization beyond a single Gaussian process [62.294228304646516]
  本稿では,探索空間の活用と探索のバランスをとるための新しいベイズ代理モデルを提案する。 拡張性のある関数サンプリングを実現するため、GPモデル毎にランダムな特徴ベースのカーネル近似を利用する。 提案した EGP-TS を大域的最適に収束させるため,ベイズ的後悔の概念に基づいて解析を行う。
  論文  参考訳（メタデータ） (2022-05-27T16:43:10Z)
• Learning Summary Statistics for Bayesian Inference with Autoencoders [58.720142291102135]
  我々は,ディープニューラルネットワークに基づくオートエンコーダの内部次元を要約統計として利用する。 パラメータ関連情報を全て符号化するエンコーダのインセンティブを作成するため,トレーニングデータの生成に使用した暗黙的情報にデコーダがアクセスできるようにする。
  論文  参考訳（メタデータ） (2022-01-28T12:00:31Z)
• OccamNet: A Fast Neural Model for Symbolic Regression at Scale [11.463756755780583]
  OccamNetは、データに適合する解釈可能でコンパクトでスパースなシンボルを見つけるニューラルネットワークモデルである。 本モデルでは,効率的なサンプリングと関数評価を行い,関数上の確率分布を定義する。 解析的および非解析的関数、暗黙的関数、単純な画像分類など、様々な問題に対する記号的適合を識別することができる。
  論文  参考訳（メタデータ） (2020-07-16T21:14:45Z)
• DS-FACTO: Doubly Separable Factorization Machines [4.281959480566438]
  因子化マシン(FM)は、線形モデルにより表現力を加えるために、特徴間の高次相互作用を含む強力なモデルのクラスである。 ペアワイズ機能に低ランク表現を使用するにもかかわらず、大規模な実世界のデータセットにファクタライズマシンを使用することのメモリオーバーヘッドは禁じられるほど高い。 単一マシンで動作する従来のFMアルゴリズムでは,このスケールを処理できないため,クラスタ間で計算を並列化する分散アルゴリズムは避けられない。
  論文  参考訳（メタデータ） (2020-04-29T03:36:28Z)

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。