論文の概要: How Architecture and Training Affect TPC Representations Across Experiments
- arxiv url: http://arxiv.org/abs/2608.21756v1
- Date: Sat, 22 Aug 2026 03:40:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.435281
- Title: How Architecture and Training Affect TPC Representations Across Experiments
- Title（参考訳）: アーキテクチャとトレーニングが実験全体におけるTPC表現に与える影響
- Abstract要約: この研究は、凍結エンコーダ上のプローブを用いて実験と検出器システム間での表現の再利用性を評価する。
我々はGADGET II TPCとAT-TPCから4つのデータセットに対して512次元の埋め込みを生成する。
このアーキテクチャによって引き起こされる構造は、実験や検出器システムで有用であることが判明した。
- 参考スコア（独自算出の注目度）: 5.313981636871026
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep-learning efforts have increasingly shifted toward foundation model approaches. In experimental physics, this allows models and learned representations to be reused beyond the experiments in which they were developed. This work evaluates the reusability of representations across experiments and detector systems using probes on frozen encoders. These probes reveal task-relevant structure before downstream adaptation, complementing fine-tuning. Together with random-weight controls, they distinguish contributions from architecture and encoder training that downstream performance alone cannot resolve. Time projection chamber (TPC) data provide a useful testbed because events from TPC systems can be represented as variable-length sparse tensors, while detector geometries, event topologies, and scientific tasks can differ substantially. We investigate whether fixed-dimensional TPC event representations can be reused across classification tasks, experiments, and detector systems. Sparse ResNet and PointNet-style encoders produce 512-dimensional embeddings for four datasets from the GADGET II TPC and AT-TPC. Randomly initialized encoders isolate the contribution from architecture before supervised training. We then train each encoder on a classification task, freeze its parameters, and train a linear or nonlinear probe for each downstream task. We find that this architecture-induced structure remains useful across experiments and detector systems. The randomly initialized PointNet-style representation is highly informative on several tasks. The two architectures organize their embedding spaces differently, but neither exhibits a large, systematic loss of utility cross-detector. These results show that architecture is a major source of task-relevant structure in TPC embeddings and should be treated explicitly when assessing representation learning and developing reusable detector models.
- Abstract（参考訳）: ディープラーニングの取り組みは、ファンデーションモデルアプローチへとシフトしている。
実験物理学では、モデルと学習された表現を、それらが開発された実験を超えて再利用することができる。
この研究は、凍結エンコーダ上のプローブを用いて実験と検出器システム間での表現の再利用性を評価する。
これらのプローブは下流適応前にタスク関連構造を明らかにし、微調整を補完する。
ランダムウェイトコントロールと合わせて、ダウンストリームのパフォーマンスだけでは解決できないアーキテクチャやエンコーダのトレーニングから、コントリビューションを区別する。
タイムプロジェクションチャンバ(TPC)データは、TPC系からのイベントを可変長スパーステンソルとして表すことができ、検出器ジオメトリ、イベントトポロジー、科学的タスクは大きく異なるため、有用なテストベッドを提供する。
本研究では, 定次元TPCイベント表現が, 分類タスク, 実験, 検出器システムにまたがって再利用できるかどうかを検討する。
Sparse ResNetとPointNetスタイルのエンコーダは、GADGET II TPCとAT-TPCの4つのデータセットに対して512次元の埋め込みを生成する。
ランダムに初期化エンコーダは、教師付きトレーニングの前にアーキテクチャからコントリビューションを分離する。
次に、各エンコーダを分類タスクで訓練し、そのパラメータを凍結し、下流タスクごとに線形または非線形プローブを訓練する。
このアーキテクチャによって引き起こされる構造は、実験や検出器システムで有用であることが判明した。
ランダムに初期化されたPointNetスタイルの表現は、いくつかのタスクにおいて非常に有益である。
2つのアーキテクチャは埋め込み空間を別々に整理するが、どちらも実用的クロス検出器の大規模で体系的な損失は示さない。
これらの結果から,アーキテクチャはTPC埋め込みにおけるタスク関連構造の主要な源であり,表現学習の評価や再利用可能な検出モデルの開発において明示的に扱われるべきであることが示唆された。
関連論文リスト
- WUTDet: A 100K-Scale Ship Detection Dataset and Benchmarks with Dense Small Objects [68.44670476527155]
WUTDetは100,576イメージと381,378のアノテートされた船舶インスタンスを備えた大規模な船舶検出データセットである。
CNN, Transformer, Mambaの3つの主流検出アーキテクチャから20のベースラインモデルを体系的に評価した。
Ship-GENの結果は、WUTDetでトレーニングされたモデルは、異なるデータ分布下でより強力な一般化を示すことを示している。
論文 参考訳（メタデータ） (2026-04-09T03:28:05Z) - Sparse Methods for Vector Embeddings of TPC Data [6.006807882645748]
タイムプロジェクションチャンバー(TPC)は、荷電粒子の軌道を電離媒体で再構成する汎用検出器である。
TPCデータ上での表現学習のための疎畳み込みネットワークについて検討する。
トレーニングされていないスパースResNetモデルでさえ、AT-TPCデータの有用な埋め込みを提供する。
論文 参考訳（メタデータ） (2025-11-14T12:25:54Z) - MTP: Advancing Remote Sensing Foundation Model via Multi-Task Pretraining [73.81862342673894]
ファンデーションモデルは、様々な画像解釈タスクを強化することで、リモートセンシング(RS)のランドスケープを再構築した。
事前訓練されたモデルを下流のタスクに転送することは、イメージ分類やオブジェクト識別タスクとして事前訓練の定式化によるタスクの相違に遭遇する可能性がある。
SAMRSデータセット上で、セマンティックセグメンテーション、インスタンスセグメンテーション、回転オブジェクト検出を含むマルチタスクによる事前トレーニングを行う。
我々のモデルは、シーン分類、水平・回転物体検出、セマンティックセグメンテーション、変化検出など、様々なRS下流タスクに基づいて微調整される。
論文 参考訳（メタデータ） (2024-03-20T09:17:22Z) - SimPLR: A Simple and Plain Transformer for Efficient Object Detection and Segmentation [49.65221743520028]
マルチスケールインダクティブバイアスをアテンション機構にシフトさせることで, プレーン検出器SimPLRが動作可能であることを示す。
我々はSimPLRとスケールアウェアスを併用した実験を通して、単純なアーキテクチャでありながら、マルチスケールビジョントランスフォーマーの代替品と競合することを発見した。
論文 参考訳（メタデータ） (2023-10-09T17:59:26Z) - Unpaired Image Translation to Mitigate Domain Shift in Liquid Argon Time Projection Chamber Detector Responses [5.799883835053843]
ドメインシフト問題」は、アルゴリズムがシミュレーションデータに基づいて訓練されるが、実際のデータセットに適用される多くの科学領域で一般的である。
この研究は、ダウンストリームアルゴリズムに特有でないドメインシフト問題を解決するために、代替手法を使用することの可能性を探る。
提案手法は、教師なしの方法で異なる画像領域間の翻訳を見つけるために設計された、最新の画像から画像への翻訳技術に依存している。
論文 参考訳（メタデータ） (2023-04-25T14:29:54Z) - Strong Baselines for Parameter Efficient Few-Shot Fine-tuning [50.83426196335385]
FSC (Few-shot Classification) は、事前訓練(メタトレーニング)フェーズの後にクラス毎にいくつかの例を与えられた新しいクラスを学習する。
近年の研究では、新しいテストクラスで事前訓練された視覚変換器(ViT)を微調整することが、FSCにとって強力なアプローチであることが示されている。
しかし、微調整のViTは、時間、計算、ストレージに費用がかかる。
これにより、Transformerのパラメータのごく一部だけを微調整するPEFT法が考案された。
論文 参考訳（メタデータ） (2023-04-04T16:14:39Z) - CvT-ASSD: Convolutional vision-Transformer Based Attentive Single Shot
MultiBox Detector [15.656374849760734]
本稿では、CvT-ASSD(Convolutional Vision Transformer Based Attentive Single Shot MultiBox Detector)という新しいオブジェクト検出アーキテクチャを提案する。
当社のモデルであるCvT-ASSDは,PASCAL VOCやMS COCOなどの大規模検出データセットで事前学習しながら,システム効率と性能を向上させることができる。
論文 参考訳（メタデータ） (2021-10-24T06:45:33Z) - The Nonlinearity Coefficient -- A Practical Guide to Neural Architecture
Design [3.04585143845864]
我々は、アーキテクチャが比較的高いテストやトレーニング後のタスクのトレーニングエラーを達成できるかどうかを、トレーニングなしで予測できる手法を開発する。
その後、アーキテクチャ定義自体の観点でエラーを説明し、アーキテクチャを変更するツールを開発します。
最初の大きな貢献は、ニューラルネットワークアーキテクチャの'非線形性の度合い'がそのパフォーマンスの背後にある重要な因果的要因であることを示すことです。
論文 参考訳（メタデータ） (2021-05-25T20:47:43Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-17T08:28:30Z) - Unsupervised Monocular Depth Learning with Integrated Intrinsics and
Spatio-Temporal Constraints [61.46323213702369]
本研究は,大規模深度マップとエゴモーションを予測可能な教師なし学習フレームワークを提案する。
本結果は,KITTI運転データセットの複数シーケンスにおける現在の最先端技術と比較して,高い性能を示す。
論文 参考訳（メタデータ） (2020-11-02T22:26:58Z) - MultiCheXNet: A Multi-Task Learning Deep Network For Pneumonia-like
Diseases Diagnosis From X-ray Scans [1.0621485365427565]
MultiCheXNetは、一つの神経アーキテクチャにおいて、肺炎に似た疾患の異なるX線データセットを利用することができる。
私たちのアーキテクチャの共通エンコーダは、異なるタスクに存在する有用な共通機能をキャプチャすることができます。
特殊なデコーダヘッドはタスク固有の特徴をキャプチャできる。
論文 参考訳（メタデータ） (2020-08-05T07:45:24Z) - The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network
Architectures [179.66117325866585]
我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。
この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。
画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
論文 参考訳（メタデータ） (2020-06-29T17:59:26Z)
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。