論文の概要: Learning the Geometry of Collider Events with Metric-Aware Deep Sets

• arxiv url: http://arxiv.org/abs/2609.12024v1
• Date: Thu, 10 Sep 2026 13:22:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.493636
• Title: Learning the Geometry of Collider Events with Metric-Aware Deep Sets
• Title（参考訳）: メトリック・アウェア・ディープ・セットによる衝突事象の幾何学的学習
• Abstract要約: 学習したサロゲートは 速いが このメートル法構造を 維持する必要はない 我々は、非負性性、交換対称性、0自己距離を強制する可変サイズの重み付き点雲間のOTのためのディープセットサロゲートを開発する。 これらの結果から, ターゲットとした誘導バイアスは, 幾何的忠実度を著しく改善した高速なニューラルサロゲートが得られることが示された。
• 参考スコア（独自算出の注目度）: 3.675517735057064
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimal transport gives structured data a geometry, but exact evaluation is costly in large pairwise analyses that exploit relationships among distances. Learned surrogates are faster, but need not preserve this metric structure. We develop a Deep Sets surrogate for OT between variable-size weighted point clouds that enforces non-negativity, exchange symmetry, and zero self-distance, leaving the triangle inequality unconstrained. Applied to the Energy Mover's Distance between collider events in a particle physics application, the Metric-Aware Particle Flow Network achieves percent-level mean absolute percentage error while significantly improving inference throughput over other exact and approximate methods surveyed. The architectural constraints are found to improve properties that are not explicitly enforced: across $10^6$ held-out event triplets, triangle-inequality violations fall from 199 for a matched unconstrained network to 2, and the maximum from 149.5 to 5.8 GeV. These results demonstrate that targeted inductive biases can yield fast neural surrogates with substantially improved geometric fidelity.
• Abstract（参考訳）: 最適輸送は、構造化されたデータに幾何を与えるが、正確な評価は、距離間の関係を利用する大きなペアワイズ分析においてコストがかかる。 学習されたサロゲートはより高速であるが、このメートル法構造を保存する必要はない。 我々は、非負性、交換対称性、ゼロ自己距離を強制する可変サイズの重み付き点雲間のOTに対するディープ・セット・サロゲートを開発し、三角形の不等式は制約されない。 粒子物理学応用におけるコライダー現象間のエネルギ・モーバーの距離に応用すると、Metric-Aware Particle Flow Networkはパーセンテージ平均絶対パーセンテージ誤差を達成し、調査された他の正確な近似手法よりも推論スループットを著しく改善する。 アーキテクチャ上の制約は、明示的に強制されない特性を改善することが判明した: 10^6$のイベントトリプレット、三角形の不等式違反は、一致しないネットワークで199から2に、最大で129.5から5.8GeVに減少する。 これらの結果から, ターゲットとした誘導バイアスは, 幾何的忠実度を著しく改善した高速なニューラルサロゲートが得られることが示された。

関連論文リスト

• Draining Fictitious Knots: Restoring Distance-Awareness Guarantees for High-Dimensional Spline Networks [3.460138063155115]
  Kolmogorov Networks (DAREK) は、不確実性定量化に対する計算効率の良いボトムアップアプローチを導入している。 高次元設定では、理論的な保証は架空の結び目の出現によって弱めることができる。 本研究では,任意の実結び目領域から最も近い実結び目に向かって単調に減少する不確実性経路を構築することにより,距離認識性を回復する排水不確実性機構を提案する。
  論文  参考訳（メタデータ） (2026-09-14T09:34:31Z)
• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• NoPA: Non-Parametric Online 3D Scene Graph Generation [57.15076373014265]
  NoPAは各オブジェクトを別の非パラメトリック分布として表現する。 カーネル密度推定における平均誤差の最大化を利用して、オブジェクト候補のロバストなマージを可能にする。 NoPAは、リアルタイムの推論速度を犠牲にすることなく、現在の手法を大幅に上回る。
  論文  参考訳（メタデータ） (2026-07-01T07:18:07Z)
• Articulating then Matching: Zero-Shot Shape Matching for Uncurated Data [0.5014513738509991]
  3次元形状間の密接な対応を見つけることは、特に現実世界の環境では、基本的な問題であるが未解決の課題である。 ATMは、通信特化訓練を必要とせず、これらの問題を一度に堅牢に解決するフレームワークである。
  論文  参考訳（メタデータ） (2026-06-28T03:05:46Z)
• Fitting Unknown Number of Hyperplanes with Manifold Optimization [57.48093263119306]
  未知数の線形平面をデータに適合させることは、機械学習の根本的な課題である。 既存のアプローチはしばしば最適な最適化に苦しむか、幾何的整合性に欠ける。
  論文  参考訳（メタデータ） (2026-05-27T14:02:20Z)
• Do Foundation Models Know Geometry? Probing Frozen Features for Continuous Physical Measurement [0.0]
  視覚言語モデルは、それらのテキスト経路が表現できないような幾何学を符号化する。 ロラ微調整(r=16, 2,000枚)は、このギャップを6.5度に縮める。 これらの知見は、単一の凍結したバックボーンがマルチタスク幾何学的センサーとして機能することを可能にした。
  論文  参考訳（メタデータ） (2026-03-06T16:48:27Z)
• GLOBE: Accurate and Generalizable PDE Surrogates using Domain-Inspired Architectures and Equivariances [0.0]
  GLOBEは、学習可能なグリーン関数のようなカーネルの重ね合わせとして、境界面からターゲットへ評価されるソリューションである。 AirFRANSでは、GLOBEは相当な精度向上を実現している。 結果は、厳密な物理学とドメインにインスパイアされた帰納的バイアスが、精度、一般化可能性、実用性に大きな利益をもたらすことを示した。
  論文  参考訳（メタデータ） (2025-11-19T20:23:51Z)
• Point-DeepONet: A Deep Operator Network Integrating PointNet for Nonlinear Analysis of Non-Parametric 3D Geometries and Load Conditions [1.6574413179773761]
  この研究は、PointNetをDeepONetフレームワークに統合した演算子ベースの幾何サロゲートであるPoint-DeepONetを提示する。 Point-DeepONet はメッシュパラメータ化や再トレーニングなしに3次元変位と von Mises 応力場を正確に予測する。 1ケースあたり19.32分程度の非線形有限要素解析と比較すると、Point-DeepONetはわずか数秒から約400倍の速さで予測を行う。
  論文  参考訳（メタデータ） (2024-12-24T11:44:58Z)
• Enabling Uncertainty Estimation in Iterative Neural Networks [49.56171792062104]
  本研究では,アンサンブルのような手法よりもはるかに低い計算コストで最先端の見積もりを提供する不確実性推定手法を開発する。 航空画像における道路検出と2次元および3次元形状の空力特性の推定という2つの応用領域に組み込むことで,その実用的価値を実証する。
  論文  参考訳（メタデータ） (2024-03-25T13:06:31Z)
• On Convergence of Training Loss Without Reaching Stationary Points [62.41370821014218]
  ニューラルネットワークの重み変数は、損失関数の勾配が消える定常点に収束しないことを示す。 エルゴード理論の力学系に基づく新しい視点を提案する。
  論文  参考訳（メタデータ） (2021-10-12T18:12:23Z)
• Towards Certified Robustness of Distance Metric Learning [53.96113074344632]
  我々は,距離学習アルゴリズムの一般化とロバスト性を改善するために,入力空間に逆のマージンを付与することを提唱する。 アルゴリズム的ロバスト性の理論手法を用いることにより,拡張マージンは一般化能力に有益であることを示す。
  論文  参考訳（メタデータ） (2020-06-10T16:51:53Z)

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。