論文の概要: Using Line Segment Tracking to enable ML-based Track Reconstruction in CMS

• arxiv url: http://arxiv.org/abs/2610.15963v1
• Date: Sun, 11 Oct 2026 22:34:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 08:21:54.685587
• Title: Using Line Segment Tracking to enable ML-based Track Reconstruction in CMS
• Title（参考訳）: 線分追跡を用いたCMSにおけるMLに基づくトラック再構成
• Abstract要約: 我々は,CMS MLに基づくトラック再構成アルゴリズムを実現するために,個々のヒットではなくLST(Line Segment Tracking)オブジェクトを利用するハイブリッドアプローチを提案する。 この手法は、LSTクインタップレットベースラインに匹敵する再構成効率を達成し、フェイクレートをおよそ3倍に削減し、複製をほぼ完全に抑制する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-pileup conditions in CMS during the HL-LHC era make charged-particle tracking increasingly challenging as detector occupancy and combinatorics grow. We present a hybrid approach that exploits Line Segment Tracking (LST) objects rather than individual hits to enable the first CMS ML-based track reconstruction algorithm. The LST objects, namely the triplets used in this study, are built according to geometry- and physics-driven criteria and carry richer local structure, geometrical cues, and physics quantities such as transverse momentum, which helps the model incorporate detector-level information from the start. We apply a Transformer encoder with geometrically masked sparse self-attention to embed these objects in a learned latent space, and use object condensation to assemble full tracks in a single inference step. This object-based representation reduces complexity in dense environments and makes the model less sensitive to ambiguities introduced by high pileup. Evaluated on CMS Phase-2 simulation of $t\bar{t}$ events at $\langle μ\rangle = 200$, the approach achieves reconstruction efficiency comparable to the LST quintuplet baseline while reducing the fake rate by roughly a factor of three and suppressing duplicates almost entirely, demonstrating the promise of advanced ML architectures for next-generation particle tracking.
• Abstract（参考訳）: HL-LHC時代のCMSの高ピーク状態は、検出器の占有とコンビネータが増加するにつれて荷電粒子追跡がますます困難になる。 我々は,CMS MLに基づくトラック再構成アルゴリズムを実現するために,個々のヒットではなくLST(Line Segment Tracking)オブジェクトを利用するハイブリッドアプローチを提案する。 LSTオブジェクト、すなわち、この研究で使用される三重項は、幾何学的および物理学的基準に基づいて構築され、よりリッチな局所構造、幾何学的手がかり、横運動量などの物理量を持ち、モデルが最初から検出器レベルの情報を組み込むのに役立つ。 幾何学的にマスクされたスパース自己アテンションを持つトランスフォーマーエンコーダを用いて、これらのオブジェクトを学習された潜在空間に埋め込むとともに、オブジェクト凝縮を用いて、完全なトラックを単一の推論ステップで組み立てる。 このオブジェクトベースの表現は、密集した環境における複雑さを減らし、高い積み上げによって導入されたあいまいさに敏感になる。 この手法は、$t\bar{t}$ Events at $\langle μ\rangle = 200$のCMSフェーズ2シミュレーションに基づいて評価され、LSTクインタップレットベースラインに匹敵する再構成効率を達成し、フェイクレートをおよそ3倍に削減し、複製をほぼ完全に抑制し、次世代粒子追跡のための高度なMLアーキテクチャの約束を示す。

関連論文リスト

• From Models to Systems: A Comprehensive Survey of Efficient Multimodal Learning [126.2308206954491]
  本調査では,効率的なマルチモーダル学習のためのモデル・ツー・システム分類を初めて導入した。 我々は300を超える精巧な作品から3つの階層的なレベル – モデル,アルゴリズム,システム – への洞察を抽出し,アーキテクチャのパーシモニー,実行の洗練,ハードウェア対応のオーケストレーションを行う。
  論文  参考訳（メタデータ） (2026-09-16T21:27:22Z)
• MAETrack: Unleashing the Potential of Pretrained Geometric Priors for 3D Single Object Tracking [37.383672908246965]
  大規模事前学習は2次元視覚における表現学習に変化をもたらしたが、3次元物体追跡(SOT)への伝達性はまだ十分に理解されていない。 事前学習したMAE表現を3D SOTに転送するための軽量適応フレームワークであるMAETrackを提案する。
  論文  参考訳（メタデータ） (2026-09-15T06:21:44Z)
• Occlusion-Robust Multi-Object Decoupling for Physics-Based Robotic Interaction [33.71202994777273]
  本研究では,スパース・オブ・オブ・オブ・ザ・リアルワールドビューから多目的3次元再構成を実現するマスクレス手法を提案する。 本手法は手動マスクを必要とせずにシミュレーション可能な3Dオブジェクトを生成する。
  論文  参考訳（メタデータ） (2026-06-28T09:50:46Z)
• MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection [108.36437360254605]
  本稿では,マルチクラス非教師付き異常検出に適したフレームワークであるMambaADv2を提案する。 MambaADv2は、事前訓練されたエンコーダと、複数のスケールにわたるDuality-enhanced State Space (DSS)モジュールを備えたMambaインスパイアされたデコーダで構成される。 HSS(Hybrid State Space)ブロックの構造は、SSDベースのMambaラインに従って調整され、Mamba3スタイルの位置認識状態空間モデリングが組み込まれている。
  論文  参考訳（メタデータ） (2026-06-22T10:14:06Z)
• LSRM: High-Fidelity Object-Centric Reconstruction via Scaled Context Windows [10.300202521638274]
  本研究では,大規模スパース再構成モデルを導入し,拡張型コンテクストウィンドウがフィードフォワード3D再構成に与える影響について検討する。 アクティブなオブジェクトや画像トークンの数を大幅に増やすことで、コンテキストウィンドウを拡大することで、このギャップを著しく狭め、高忠実度な3Dオブジェクト再構成と逆レンダリングを可能にします。
  論文  参考訳（メタデータ） (2026-04-06T21:21:12Z)
• Tail-Aware Post-Training Quantization for 3D Geometry Models [58.79500829118265]
  ポストトレーニング量子化(PTQ)は、再トレーニングなしに効率的な推論を可能にする。 PTQは複雑な特徴分布と禁止キャリブレーションオーバーヘッドのために、3Dモデルに効果的に転送できない。 3次元幾何学学習のためのTail-Aware Post-Training Quantization PipelineであるTAPTQを提案する。
  論文  参考訳（メタデータ） (2026-02-02T07:21:15Z)
• SeqAffordSplat: Scene-level Sequential Affordance Reasoning on 3D Gaussian Splatting [85.87902260102652]
  本稿では, 連続3次元ガウシアン・アフラマンス推論の課題について紹介する。 次に,SeqSplatNetを提案する。SqSplatNetは,命令を直接3Dアベイランスマスクのシーケンスにマッピングするエンドツーエンドフレームワークである。 本手法は,1段階のインタラクションから,シーンレベルでの複雑なシーケンシャルなタスクへの可利用性推論を効果的に向上させる。
  論文  参考訳（メタデータ） (2025-07-31T17:56:55Z)
• T-3DGS: Removing Transient Objects for 3D Scene Reconstruction [83.05271859398779]
  映像シーケンスにおける過渡的オブジェクトは、3Dシーン再構成の品質を著しく低下させる可能性がある。 我々は,ガウススプラッティングを用いた3次元再構成において,過渡的障害を頑健に除去する新しいフレームワークT-3DGSを提案する。
  論文  参考訳（メタデータ） (2024-11-29T07:45:24Z)
• MCGS: Multiview Consistency Enhancement for Sparse-View 3D Gaussian Radiance Fields [100.90743697473232]
  3Dガウシアンによって表現される放射場は、高いトレーニング効率と高速レンダリングの両方を提供する、新しいビューの合成に優れている。 既存の手法では、高密度推定ネットワークからの奥行き先を組み込むことが多いが、入力画像に固有の多視点一貫性を見落としている。 スパースビューからのシーン再構成が可能な3次元ガウススプラッティングに基づくビュー合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T08:39:05Z)
• OcTr: Octree-based Transformer for 3D Object Detection [30.335788698814444]
  LiDARベースの3Dオブジェクト検出の重要な課題は、大規模な3Dシーンから十分な特徴をキャプチャすることだ。 我々はこの問題に対処するためにOcTrというOcreeベースのトランスフォーマーを提案する。 本研究では,前景の知覚性を高めるために,セマンティック・アウェアな位置埋め込みとアテンションマスクを組み合わせたハイブリッドな位置埋め込みを提案する。
  論文  参考訳（メタデータ） (2023-03-22T15:01:20Z)

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。