論文の概要: Self-Supervised Learning for Robust Resonance Mass Regression in Cascade Decays

• arxiv url: http://arxiv.org/abs/2609.17726v1
• Date: Tue, 15 Sep 2026 18:35:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.501204
• Title: Self-Supervised Learning for Robust Resonance Mass Regression in Cascade Decays
• Title（参考訳）: カスケード崩壊時のロバスト共鳴質量回帰に対する自己教師付き学習
• Abstract要約: 我々は、VICRegでトランスフォーマーエンコーダを事前訓練する自己教師型アプローチを用いて、様々な汚職に不変な埋め込み学習を行う。 事前学習したモデルは、より鋭い共鳴ピークを再構成し、様々な現実的な汚職の下でより安定した性能を有することを示す。
• 参考スコア（独自算出の注目度）: 0.00656845578686435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reconstructing the mass of a heavy resonance from its decay products with missing energy is one of the central tasks that directly determine the sensitivity in new physics searches at collider experiments. Supervised learning approaches to this problem often struggle to generalize well due to the presence of various systematic uncertainties and distribution shifts. Exhausting all possible variations in the labeled data can be very compute-intensive, while a failure of the model to generalize can corrupt the reconstructed resonance widths that are critical in peak-hunting analyses. In this work, following the foundation model paradigm, we use a self-supervised approach to pre-train a transformer encoder with VICReg to learn an embedding invariant to various corruptions, then fine-tune it for mass regression on a heavy resonance with masses ranging from 2.5 to 6.5 TeV and a SUSY-like cascade decay into an eleven-body final state. We show that the pre-trained model reconstructs sharper resonance peaks and has a more stable performance under various realistic corruptions, compared to a supervised model of the same architecture trained on the same augmented data from scratch.
• Abstract（参考訳）: 崩壊生成物からの重い共鳴の質量をエネルギー不足で再構成することは、コライダー実験における新しい物理探索の感度を直接決定する中心的なタスクの1つである。 この問題に対する教師付き学習アプローチは、様々な系統的な不確実性や分布シフトが存在するため、よく一般化するのに苦労することが多い。 ラベル付きデータのあらゆるバリエーションを抽出することは、非常に計算集約的である一方で、モデルを一般化する失敗は、ピークハンティング解析において重要な再構成された共振幅を損なう可能性がある。 本研究では、基礎モデルパラダイムに従って、VICRegでトランスフォーマーエンコーダを事前学習し、様々な汚職に不変な埋め込みを学習し、2.5TeVから6.5TeVの質量とSUSY様カスケードのカスケードが11体最終状態に崩壊した重い共鳴による質量回帰のために微調整する。 事前学習したモデルでは, 様々な現実的な汚職の下で, よりシャープな共鳴ピークを再構築し, より安定した性能が得られることを示す。

関連論文リスト

• Uncertainty DMD: Restoring Diversity in Few-Step Autoregressive Video Distillation [52.34982929108336]
  少ない段階の蒸留は自己回帰(AR)ビデオ生成の効率を向上させるが、しばしば多様性の崩壊を引き起こす。 分散マッチング蒸留 (DMD) 蒸留ARビデオジェネレータのこの劣化を分析し, 自己回帰環境では, 構造的不確かさの崩壊の形をとる。
  論文  参考訳（メタデータ） (2026-09-10T08:59:47Z)
• Survey of Novel Deep Learning Architectures for Denoising Gravitational-wave Signals [0.0]
  重力波デノジングのための5つのニューラルネットワークアーキテクチャの制御された最初の比較について述べる。 我々は、全天体物理学的に動機づけられた回転二乗ブラックホールパラメータ空間を同時に訓練する。 ネットワーク構造とコリケーションのスペクトル解剖との整合性は、ブルートフォースモデルスケーリングよりも優れる。
  論文  参考訳（メタデータ） (2026-09-07T18:00:10Z)
• Next-Acceleration-Scale Prediction for Autoregressive MRI Reconstruction [52.32112533846212]
  MRI再建は本質的に不完全な逆問題である。 この制限は、再構成を離散的なマルチスケールの潜在空間に移動させ、自己回帰的次加速スケールの予測として機能させることによって解決する。 提案手法は,過度のアンサンプ下での多種多様なサンプリングパターンの再構成性能の向上を図っている。
  論文  参考訳（メタデータ） (2026-05-19T04:40:50Z)
• Explore and Establish Synergistic Effects Between Weight Pruning and Coreset Selection in Neural Network Training [22.102431470440322]
  軽量プルーニングとコアセット選択は、計算効率を向上させるために提案される2つの新しいパラダイムである。 我々は,重み付けとコアセット選択を交互に行う同時重み付け機構(SWaST)を開発し,訓練における相乗効果を確立する。 実験ではプルーニングとコアセットの選択の間に様々なプルーンレートとコアセットサイズの間で強い相乗効果が示され、精度は最大で17.83%向上し、10%から90%のFLOPが減少する。
  論文  参考訳（メタデータ） (2025-11-13T03:01:16Z)
• Escaping Model Collapse via Synthetic Data Verification: Near-term Improvements and Long-term Convergence [31.751930228965467]
  モデル崩壊を避けるため, この合成再訓練プロセスの修正方法について検討する。 我々の重要な発見は、外部の合成データ検証器を通じて情報を注入することによって、合成再訓練がモデル崩壊を起こさないことである。
  論文  参考訳（メタデータ） (2025-10-18T22:39:39Z)
• Restoration Score Distillation: From Corrupted Diffusion Pretraining to One-Step High-Quality Generation [82.39763984380625]
  Score Distillation (DSD) の原理的一般化である textitRestoration Score Distillation (RSD) を提案する。 RSDは、ぼやけた画像、不完全画像、低解像度画像など、広範囲の汚職タイプに対応している。 自然と科学の両方のデータセットの様々な復元作業において、教師モデルを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-05-19T17:21:03Z)
• Understanding Pathologies of Deep Heteroskedastic Regression [25.509884677111344]
  ヘテロスケダスティックモデルは各データポイントの平均ノイズと残留ノイズの両方を予測する。 極端に言えば、これらのモデルはすべてのトレーニングデータを完璧に適合させ、残音を完全に排除する。 他方では、一定で非形式的な平均を予測しながら残音を過度に補正する。 中間地盤の欠如を観察し, モデル正則化強度に依存する相転移を示唆した。
  論文  参考訳（メタデータ） (2023-06-29T06:31:27Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• Learning perturbation sets for robust machine learning [97.6757418136662]
  我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。 学習した摂動集合の質を定量的かつ質的に測定する。 我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
  論文  参考訳（メタデータ） (2020-07-16T16:39:54Z)

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。