論文の概要: ResoSeg: Resonance Tagger using Transformer and Segment Model
- arxiv url: http://arxiv.org/abs/2609.12610v1
- Date: Fri, 11 Sep 2026 09:08:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.693269
- Title: ResoSeg: Resonance Tagger using Transformer and Segment Model
- Title（参考訳）: ResoSeg: Transformer と Segment モデルを用いた共振タガー
- Abstract要約: BESIIIにおける共鳴タグ付けへのセグメンテーションの最初の応用について述べる。
本稿では,パーティクルレベルのセグメンテーションとイベントレベルの分類を共同で行うディープラーニングモデルResoSegを紹介する。
このモデルは、目に見えないエネルギー点に一般化し、転送学習を通じて他の$_c$生産モードに適応し、$_c$質量、幅、分岐率の変動に対して頑健である。
- 参考スコア（独自算出の注目度）: 5.039409820248798
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning has been widely applied across many areas of experimental high-energy physics, yet existing models address only event-level classification or object tagging and therefore still require reconstruction algorithms tailored to each decay channel. We present the first application of segmentation to resonance tagging at BESIII and introduce ResoSeg, a deep learning model that jointly performs particle-level segmentation and event-level classification, enabling a one-pass analysis of resonance to anything decays while precisely reconstructing the relevant resonance properties. We demonstrate the reconstruction of $η_c$ with $e^+e^-\toπ^+π^-h_c$, $h_c\toγη_c$, $η_c\to\text{anything}$. The model is trained on BESIII-$η_c$ dataset, which is constructed with per-track true labels obtained via a Truth-Matching Algorithm. Experimental results show that the average combined efficiency of ResoSeg is more than double that of the conventional 16-channel approach across energy points from 4.19 to 4.60\,GeV. The model generalizes to unseen energy points, adapts to other $η_c$ production modes through transfer learning, and remains robust against variations in the $η_c$ mass, width, and branching fractions, providing a general, resonance-aware model applicable beyond $η_c$ and BESIII. The source code is available at https://github.com/oashen/ResoSeg.
- Abstract（参考訳）: ディープラーニングは、実験的な高エネルギー物理学の多くの領域で広く応用されてきたが、既存のモデルはイベントレベルの分類やオブジェクトのタグ付けにのみ対応しており、そのため、各減衰チャネルに合わせた再構成アルゴリズムが必要である。
本稿では,BESIIIにおける共振タギングへのセグメンテーションの最初の応用として,粒子レベルのセグメンテーションとイベントレベルの分類を共同で行う深層学習モデルResoSegを紹介する。
我々は、$η_c$を$e^+e^-\toπ^+π^-h_c$, $h_c\toγη_c$, $η_c\to\text{anything}$で再構成することを示した。
このモデルはBESIII-$η_c$データセットでトレーニングされており、トラックごとの真のラベルをTrue-Matching Algorithmを用いて構築する。
実験の結果、ResoSegの平均結合効率は4.19から4.60\,GeVの16チャネルアプローチの2倍以上であることがわかった。
このモデルは、目に見えないエネルギー点に一般化し、転送学習を通じて他の$η_c$生産モードに適応し、$η_c$質量、幅、分岐分数の変化に対して頑健であり、$η_c$およびBESIIIを超えて適用可能な一般的な共振認識モデルを提供する。
ソースコードはhttps://github.com/oashen/ResoSeg.comで入手できる。
関連論文リスト
- Newton Matching for Generative Modeling: A Unified Framework for Fine-Tuning and Sampling [4.589496709268605]
生成モデルにおける微細チューニングとサンプリングのための統合フレームワークであるNewton Matchingを開発した。
分離された損失から、標準モデルよりも反復的な最適化へとパラダイムをシフトする。
我々の研究は、生成モデルのための強化学習の理論とアルゴリズムを前進させる。
論文 参考訳（メタデータ） (2026-09-04T21:17:05Z) - When do complex-valued neural networks help? A study of representation, geometry, and optimization [1.4935265696074094]
複雑な数値入力だけでは、複雑な算術が学習を改善するかどうかを判断できないことを示す。
合成RFタスク全体において、複素表現は有用であるが、普遍的に優れているものではない。
CVNNは、表現、対称性、最適化に依存している構造的帰納バイアスと見なされる。
論文 参考訳（メタデータ） (2026-05-26T20:49:23Z) - SCORE: Replacing Layer Stacking with Contractive Recurrent Depth [0.0]
残余接続は、現代のディープニューラルネットワークの中心である。
本稿では,従来の層積み重ねに代わる離散的再帰型 SCORE (Skip-Connection ODE Recurrent Embedding) を提案する。
論文 参考訳（メタデータ） (2026-03-11T08:49:03Z) - Wiener Chaos Expansion based Neural Operator for Singular Stochastic Partial Differential Equations [58.188204772101756]
本稿では,最近開発された Wiener Chaos Expansion (WCE) ベースのニューラル演算子 (NO) を特異偏微分方程式に適用する方法について検討する。
特徴量線形変調(FiLM)を利用して特異SPDEの解とその滑らかな残差の依存性を適切に把握する。
得られたWCE-FiLM-NOは、相対的な$L$損失、アウト・オブ・ディストリビューション、自己相関スコアによって測定された、$boldsymbol4$に対して優れた性能を示す。
論文 参考訳（メタデータ） (2026-03-09T10:50:30Z) - Data-Adaptive Transformed Bilateral Tensor Low-Rank Representation for Clustering [17.14664384622625]
本稿では,TBTLRRと呼ばれる二元的低ランク表現モデルを提案する。
核ノルムを任意のユニタリユニタリで統合し、グローバルデータのより効果的なキャプチャを可能にする。
画像と潜時相関の局所的相関を利用することができる。
論文 参考訳（メタデータ） (2025-10-22T23:25:44Z) - VAE-DNN: Energy-Efficient Trainable-by-Parts Surrogate Model For Parametric Partial Differential Equations [49.1574468325115]
本稿では, 前方および逆パラメータ化非線形偏微分方程式を解くための, トレーニング可能な各部分サロゲートモデルを提案する。
提案手法はエンコーダを用いて高次元の入力$y(bmx)$を低次元の潜在空間である$bmmu_bmphi_y$に還元する。
完全連結ニューラルネットワークを用いて、Pの潜伏空間に$bmmu_bmphi_y$、$bmmu_bmphi_h$をマッピングする。
論文 参考訳（メタデータ） (2025-08-05T18:37:32Z) - Tensor Decomposition Networks for Fast Machine Learning Interatomic Potential Computations [48.46721044282335]
テンソル分解ネットワーク(TDN)は、計算処理の劇的な高速化と競合する性能を実現する。
1億5500万のDFT計算スナップショットを含む分子緩和データセットPubChemQCRのTDNを評価した。
その結果,TDNは計算処理の劇的な高速化と競合する性能を示した。
論文 参考訳（メタデータ） (2025-07-01T18:46:27Z) - Global Convergence of Gradient EM for Over-Parameterized Gaussian Mixtures [53.51230405648361]
勾配EMの力学を考察し, テンソル分解を用いて幾何的景観を特徴付ける。
これは、m=2$という特別な場合を超えるEMや勾配EMに対する最初の大域収束と回復の結果である。
論文 参考訳（メタデータ） (2025-06-06T23:32:38Z) - A Unified Approach to Learning Ising Models: Beyond Independence and
Bounded Width [7.605563562103568]
我々はIsingモデルの基本パラメータをデータから効率的に学習する問題を再考する。
ノード単位のロジスティック回帰に基づく単純な既存手法が、いくつかの新しい設定で基盤モデルの回復に成功していることを示す。
論文 参考訳（メタデータ） (2023-11-15T18:41:19Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳（メタデータ） (2023-06-15T16:30:08Z) - Estimating Higher-Order Mixed Memberships via the $\ell_{2,\infty}$
Tensor Perturbation Bound [8.521132000449766]
テンソルブロックモデルの一般化であるテンソル混合メンバーシップブロックモデルを提案する。
我々は,モデルの同定可能性を確立し,計算効率の良い推定手法を提案する。
本手法を実データおよびシミュレーションデータに適用し,個別のコミュニティメンバーシップを持つモデルから特定できない効果を示す。
論文 参考訳（メタデータ） (2022-12-16T18:32:20Z) - Improved Convergence Guarantees for Shallow Neural Networks [91.3755431537592]
勾配降下法により訓練された深度2ニューラルネットの収束度を世界最小とする。
我々のモデルには、二次損失関数による回帰、完全連結フィードフォワードアーキテクチャ、RelUアクティベーション、ガウスデータインスタンス、逆ラベルといった特徴がある。
彼らは、少なくとも我々のモデルでは、収束現象がNTK体制をはるかに超越していることを強く示唆している」。
論文 参考訳（メタデータ） (2022-12-05T14:47:52Z) - ReLU Regression with Massart Noise [52.10842036932169]
本稿では、ReLU回帰の基本的問題として、Rectified Linear Units(ReLU)をデータに適合させることを目標としている。
我々は自然およびよく研究された半ランダムノイズモデルであるMassartノイズモデルにおけるReLU回帰に着目した。
このモデルにおいて,パラメータの正確な回復を実現する効率的なアルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-09-10T02:13:22Z)
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。