論文の概要: Simplex Demixing: Disentangling Multiple Light-Flavor Jets at Colliders
- arxiv url: http://arxiv.org/abs/2607.24921v1
- Date: Mon, 27 Jul 2026 18:00:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.417654
- Title: Simplex Demixing: Disentangling Multiple Light-Flavor Jets at Colliders
- Title（参考訳）: Simplex Demixing: 衝突機で複数のライトフレーバージェットを遠ざける
- Abstract要約: 我々は、M$データサンプルから$T$のジェットフレーバーを抽出するために、"simplex demixing"と呼ばれる機械学習フレームワークを紹介した。
次に、より現実的なコライダー設定で複数の光色カテゴリーを抽出するタグ・アンド・プローブ戦略を提案する。
我々の研究は、大型ハドロン衝突型加速器における複数のジェットフレーバー特性のデータ駆動抽出への扉を開く。
- 参考スコア（独自算出の注目度）: 0.7161783472741748
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Providing a practical and hadron-level definition of multiple jet flavors has been a long-standing challenge in collider physics. Previous work has introduced a data-driven, operational definition of quark and gluon jets, but no robust generalization beyond two jet categories presently exists. To address this, we introduce a machine-learning framework called "simplex demixing'' to extract $T$ jet flavors (or topics in the statistics literature) from $M$ data samples (or mixtures) with minimal constraints. Intuitively, our procedure identifies the maximally separable categories in the data, translating a multi-category classifier on the $M$ mixtures into a bounded geometric object with $T$ vertices. We first demonstrate our procedure on a toy problem to infer the truth-level fractions of down-quark, up-quark, and gluon jets from synthetic mixtures of the three pure samples. We then propose a tag-and-probe strategy to extract multiple light-flavor categories in a more realistic collider setting involving dijet production. As expected, the identifiability of jet flavors depends on their relative abundance in the samples and the hadron-level information available to the classifier architecture. Our work opens the door to data-driven extractions of multiple jet flavor properties at the Large Hadron Collider.
- Abstract（参考訳）: 複数のジェットフレーバーの実用的でハドロンレベルの定義を提供することは、コライダー物理学における長年にわたる課題である。
従来の研究はクォークジェットとグルーオンジェットというデータ駆動の運用定義を導入していたが、現在では2つのジェットカテゴリー以外の堅牢な一般化は存在しない。
これを解決するために、最小限の制約で$M$のデータサンプル(またはミックス)から$T$のジェットフレーバー(または統計文献のトピック)を抽出するために、"simplex demixing'と呼ばれる機械学習フレームワークを導入します。
直感的には、この手順はデータの最大分離可能なカテゴリを特定し、$M$の混合物上の複数カテゴリの分類器を$T$の頂点を持つ有界幾何学オブジェクトに翻訳する。
まず, 3つの純粋な試料の合成混合物から, ダウンクォーク, アップクォーク, グルーオンジェットの真相の分画を推算する。
次に,ダイジェット生成を含むより現実的なコライダー設定において,複数の光色カテゴリーを抽出するタグ・アンド・プローブ方式を提案する。
予想通り、ジェットフレーバーの識別可能性は、サンプルの相対的な存在量と分類器アーキテクチャで利用可能なハドロンレベル情報に依存する。
我々の研究は、大型ハドロン衝突型加速器における複数のジェットフレーバー特性のデータ駆動抽出への扉を開く。
関連論文リスト
- Multiclass Classification without Labels via Posterior Simplex Geometry [3.3461260868741527]
二分法の場合、2つの不純物混合物を識別するために訓練された分類器は、混合比を知らずに最適な分類判別器を復元できることが示される。
我々は、この原則をいくつかのラベルなし混合からマルチクラス学習に拡張する。
混合恒等性だけで、混合中の潜伏クラスとその分画を復元できることが示される。
論文 参考訳（メタデータ） (2026-07-27T18:01:04Z) - DISCO: Diversifying Sample Condensation for Efficient Model Evaluation [59.01400190971061]
コスト評価は傾向を低下させ、イノベーションのサイクルを遅くし、環境への影響を悪化させる。
モデル応答の多様性を最大化するサンプルを選択することが重要となる。
我々のメソッドである$textbfDiversifying Sample Condensation (DISCO)$は、最も大きなモデル不一致を持つトップkサンプルを選択します。
論文 参考訳（メタデータ） (2025-10-09T08:53:59Z) - 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) - Jet Image Tagging Using Deep Learning: An Ensemble Model [0.0]
我々は2つのニューラルネットワークを同時にアンサンブルとして使用し、様々なジェットタイプをタグ付けする。
ジェットデータを高次元空間の点として表現するのではなく、2次元ヒストグラムに変換する。
上述のジェットクラスに対して、アンサンブルモデルが二項分類と多項分類の両方に利用できることを示す。
論文 参考訳（メタデータ） (2025-08-09T17:40:15Z) - HEP-JEPA: A foundation model for collider physics using joint embedding predictive architecture [0.0]
本稿では,高エネルギー粒子衝突器におけるタスクに対するトランスフォーマーアーキテクチャに基づく基礎モデルを提案する。
我々は,ジョイント・エンベディング予測アーキテクチャにインスパイアされた自己監督型戦略を用いて,ジェット機を分類するモデルを訓練する。
我々のモデルは、標準分類ベンチマークタスクのための他のデータセットと相性がいい。
論文 参考訳（メタデータ） (2025-02-06T10:16:27Z) - Multi-Sample $\zeta$-mixup: Richer, More Realistic Synthetic Samples
from a $p$-Series Interpolant [16.65329510916639]
証明可能かつ明白に望ましい性質を持つ混合の一般化である$zeta$-mixupを提案する。
我々は,$zeta$-mixupの実装がミックスアップよりも高速であることを示し,制御された合成および24の実世界の自然・医療画像分類データセットにおいて,$zeta$-mixupがミックスアップおよび従来のデータ拡張技術より優れていることを示す。
論文 参考訳（メタデータ） (2022-04-07T09:41:09Z) - Particle Transformer for Jet Tagging [4.604003661048267]
ジェットタグのための新しい包括的データセットであるJetClassを提示する。
データセットは100Mジェットで構成され、既存の公開データセットよりも約2桁大きい。
我々は、ParT(Particle Transformer)と呼ばれるジェットタグのためのトランスフォーマーベースの新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-02-08T10:36:29Z) - Learning Gaussian Mixtures with Generalised Linear Models: Precise
Asymptotics in High-dimensions [79.35722941720734]
多クラス分類問題に対する一般化線形モデルは、現代の機械学習タスクの基本的な構成要素の1つである。
実験的リスク最小化による高次元推定器の精度を実証する。
合成データの範囲を超えて我々の理論をどのように適用できるかを論じる。
論文 参考訳（メタデータ） (2021-06-07T16:53:56Z) - Towards a method to anticipate dark matter signals with deep learning at
the LHC [58.720142291102135]
ニューラルネットワークを用いた簡易暗黒物質モデルとそのシグネチャをLHCで検討した。
通常のモノジェットと逆エネルギーチャネルの欠如に焦点を当てるが、アルゴリズムを訓練するためには、イベント・バイ・イベント・アレーの代わりに2Dヒストグラムでデータを整理する。
これにより、標準モデル(SM)のみとSMと新しい物理信号とを区別する性能が大きく向上する。
論文 参考訳（メタデータ） (2021-05-25T15:38:13Z) - Permutationless Many-Jet Event Reconstruction with Symmetry Preserving
Attention Networks [62.45440485315577]
大型ハドロン衝突型加速器で大量に生産されるトップクォークは複雑な検出器シグネチャを持ち、特別な再構築技術を必要とする。
本稿では,SPAネットワーク(Symmetry Preserving Attention Networks, SPA-Net)と呼ばれる,一般化された注意機構を用いたニューラルネットワークに基づく,このタイプの問題に対する新しいアプローチを提案する。
このようなネットワークをトレーニングして、各トップクォークの崩壊生成物をあいまいに識別する。
論文 参考訳（メタデータ） (2020-10-19T04:23:34Z) - Robustly Learning any Clusterable Mixture of Gaussians [55.41573600814391]
本研究では,高次元ガウス混合系の対向ロバスト条件下での効率的な学習性について検討する。
理論的に最適に近い誤り証明である$tildeO(epsilon)$の情報を、$epsilon$-corrupted $k$-mixtureで学習するアルゴリズムを提供する。
我々の主な技術的貢献は、ガウス混合系からの新しい頑健な識別可能性証明クラスターであり、これは正方形の定度証明システムによって捉えることができる。
論文 参考訳（メタデータ） (2020-05-13T16:44:12Z)
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。