論文の概要: "Transforming" LHCb: self-supervised maps of heavy-flavour decays

• arxiv url: http://arxiv.org/abs/2609.09275v1
• Date: Tue, 08 Sep 2026 18:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.766916
• Title: "Transforming" LHCb: self-supervised maps of heavy-flavour decays
• Title（参考訳）: 変態」LHCb:重フレーバー崩壊の自監督地図
• Abstract要約: 本稿では,フレーバーや排他的デカイラベルを使わずに崩壊マップを学習する自己教師型トランスフォーマーアーキテクチャを提案する。 シミュレーションしたLHCb Open Dataにおいて,5つの分類タスクに対して約10%のタグ付け能力を実現する。 これらの研究は、重フレーバー崩壊環境をジェットでマッピングすることでLHCbのタグ付けを変換できるという原理の証明を提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decays of beauty and charm hadrons provide sensitive probes of physics beyond the standard model, including decays with invisible particles, in which part of the final state leaves no reconstructed detector signature. The large heavy-flavour data samples recorded by the LHCb experiment at the CERN LHC, together with its precise tracking, displaced vertex reconstruction, and particle identification, make it particularly well suited to learning a map of reconstructed heavy-hadron decay environments directly from data. We propose to bring recent advances in jet flavour tagging at ATLAS and CMS to significantly improve on the performance of the current LHCb taggers and extend them to the reconstruction of heavy-flavour decays with several invisible particles in the final state. To achieve this, we introduce a self-supervised transformer architecture that learns the decay maps without flavour or exclusive-decay labels by inferring masked particle identification information and completing jets from which constituents have been removed. Across five classification tasks in simulated LHCb Open Data, the self-supervised model outperforms an otherwise identical transformer with random weights, and performs comparably to a fully supervised transformer. We achieve a tagging power of about 10\%. In addition, removing constituents from reconstructed exclusive decays also systematically increases the model anomaly score relative to random removals from the same heavy hadrons. We confirm this behaviour directly in 2017 LHCb proton-proton collision Open Data: the score increases for all eight studied heavy-flavour channels, and the signal region response exceeds that in the adjacent sidebands. These studies provide a proof of principle that mapping heavy-flavour decay environments through jets can transform flavour tagging in LHCb and extend the discovery reach for incomplete or otherwise unusual decays.
• Abstract（参考訳）: 美しさと魅力のハドロンの減少は、標準モデルを超えた物理学の感度の高いプローブを提供し、最終状態の一部が再構成された検出器の署名を残しない、目に見えない粒子の崩壊を含む。 CERN LHCのLHCb実験で記録された大量の重金属のサンプルは、正確な追跡、転位した頂点再構成、粒子の同定とともに、データから直接再構成された重ハドロン崩壊環境の地図を学ぶのに特に適している。 そこで本研究では,ATLASおよびCMSにおけるジェットフレーバータギングの最近の進歩により,現在のLHCbタガーの性能を大幅に向上させ,それを最終状態におけるいくつかの目に見えない粒子による重フレーバー崩壊の再現にまで拡張することを提案する。 これを実現するために、マスク付き粒子識別情報を推測し、成分を除去したジェットを完了させることにより、フレーバーや排他的デカイラベルを使わずに崩壊マップを学習する自己教師型トランスフォーマーアーキテクチャを導入する。 シミュレーションされたLHCb Open Dataの5つの分類タスクの中で、自己教師付きモデルは、ランダムな重み付けで他の同一の変換器よりも優れており、完全に教師付き変換器と互換性がある。 タグ付け能力は約10\%に達する。 さらに、再構成された排他的崩壊からの成分の除去は、同じ重ハドロンからのランダム除去に対するモデル異常スコアを体系的に増加させる。 我々は、2017年LHCb陽子-陽子衝突オープンデータにおいて、この挙動を直接確認した。 これらの研究は、重フレーバー崩壊環境をジェットでマッピングすることで、LHCbのフレーバータグを変換し、不完全あるいは異常な崩壊の発見範囲を拡大できるという原理の証明を提供する。

関連論文リスト

• TIGA: Trajectory-Injected Generative Attack against Black-box AIGC Detectors [76.4118981404995]
  Trajectory-Injected Generative Attack (TIGA) は、検出器回避画像を生成する、ソースフリーでトレーニング可能なフリーフレームワークである。 TIGAはDDIM(Laint Denoising Diffusion Implicit Model)の軌道を制御し、生成中に対向特性が出現するようにしている。 TIGAは、共通の後処理操作下で、強力なブラックボックス攻撃性能、転送性、高ロバスト性を実現する。
  論文  参考訳（メタデータ） (2026-07-28T15:51:39Z)
• Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
  拡散モデルは、顕著な品質で高次元データを生成する。 彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。 我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
  論文  参考訳（メタデータ） (2026-05-16T16:51:10Z)
• Beyond Reconstruction: Reconstruction-to-Vector Diffusion for Hyperspectral Anomaly Detection [9.078979356836193]
  ハイパースペクトル異常検出(HAD)は、複雑なシーンにおけるスパースターゲットの同定に優れる。 既存のモデルは、スカラー・アズ・ア・エンドポイント(reconstruction-as-endpoint)パラダイムに閉じ込められているままである。 本稿では, 精製源として再構成を再定義するリコンストラクション・トゥ・ディフュージョン(R2VD)を提案する。 R2VDは新たな最先端技術を確立し、例外的な目標検出のバックグラウンドを提供する。
  論文  参考訳（メタデータ） (2026-04-13T12:31:50Z)
• Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pre-training [0.4151704012621244]
  異種検出器データから再利用可能な表現を学習するための疎ViTフレームワークを提案する。 自己教師付き事前訓練は、マスク付き自己エンコーダ再構築とリレーショナルボクセルレベルの目的を組み合わせる。 プレトレーニングはニュートリノの風味とチャームクォークの識別を継続的に改善する。
  論文  参考訳（メタデータ） (2026-04-08T12:52:00Z)
• End-to-end event reconstruction for precision physics at future colliders [0.39998518782208786]
  将来のコライダー実験では、ヒッグス、エレクトロオーク、観察可能な風味の測定に前例のない精度が必要である。 現在の粒子流アルゴリズムは検出器特有のクラスタリングに依存しており、検出器設計時の柔軟性を制限している。 ここでは、荷電粒子軌道と熱量計とミューオンが直接粒子レベルオブジェクトにぶつかる、エンドツーエンドのグローバルイベント再構成手法を提案する。
  論文  参考訳（メタデータ） (2026-03-04T13:55:04Z)
• PhyGHT: Physics-Guided HyperGraph Transformer for Signal Purification at the HL-LHC [37.00785552609802]
  物理誘導型ハイパーグラフ変換器(PhyGHT)は,距離認識型局所グラフとグローバル自己注意を組み合わせたハイブリッドアーキテクチャである。 極端積み上げ条件をモデル化するために,トップクォーク対生成のシミュレーションデータセットを新たにリリースする。 PhyGHTは、信号のエネルギーと質量補正係数を予測する際に、最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-24T02:07:33Z)
• Generative Model Inversion Through the Lens of the Manifold Hypothesis [98.37040155914595]
  モデル反転攻撃(MIA)は、訓練されたモデルからクラス表現型サンプルを再構成することを目的としている。 最近の生成的MIAは、生成的敵ネットワークを使用して、反転過程を導く画像の事前学習を行う。
  論文  参考訳（メタデータ） (2025-09-24T14:39:25Z)
• Variational inference for pile-up removal at hadron colliders with diffusion models [0.9374652839580183]
  積層除去した硬質散乱粒子ジェットの構成成分を予測するために, 生成モデルを訓練した。 大気汚染に起因したイベントを模擬した$tbart$のジェット試料中のviprの性能を評価した。
  論文  参考訳（メタデータ） (2024-10-29T14:33:52Z)
• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• Generating and Reweighting Dense Contrastive Patterns for Unsupervised Anomaly Detection [59.34318192698142]
  我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。 PatchDiffは、様々な種類の異常パターンを効果的に公開する。 MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
  論文  参考訳（メタデータ） (2023-12-26T07:08:06Z)
• Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers [124.29621071934693]
  本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。 TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。 このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
  論文  参考訳（メタデータ） (2023-03-10T20:36:23Z)

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。