論文の概要: What the Primary Lund Plane Omits: A Model-Stitching Diagnosis of a Jet-Tagger Representation Gap

• arxiv url: http://arxiv.org/abs/2610.37137v1
• Date: Tue, 27 Oct 2026 12:34:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.585936
• Title: What the Primary Lund Plane Omits: A Model-Stitching Diagnosis of a Jet-Tagger Representation Gap
• Title（参考訳）: 初発のLund Plane Omits:Jet-Tagger Representation Gapのモデルスティッチング診断
• Abstract要約: ランドプレーンとパーティクルトランスフォーマー(ParT)ジェットタグは、1つの表現が弱いため、あるいは下流の計算が弱いため、性能が異なる可能性がある。 モデルステッチは、あるネットワークの凍結した初期層と、あるネットワークの凍結した後期層を1つの訓練された線形マップを通して結びつけることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Lund-plane and Particle Transformer (ParT) jet taggers can differ in performance because one representation is weaker, or because a weaker downstream computation reads an adequate one. Standalone performance cannot separate these. Model stitching can: it links the frozen early layers of one network to the frozen late layers of another through a single trained linear map. As a positive control we use an incomplete Lund representation, the primary declustering branch, whose deficit is known independently. Stitched into ParT's downstream, it reaches a background rejection at least as much as its own downstream recovers, yet far below ParT's background rejection: the deficit is representational, not computational. A hypergraph reader over splitting triplets does no better, ruling out higher-order correlations as the cause. The gap is invisible in AUC, which stays within 1\% of its target value, and appears only in background rejection at low signal efficiency. It localizes to 0.6\% of background jets, at and above the top mass, with more constituents but fewer primary splittings than typical background. Rebuilding the representation on the full Cambridge/Aachen declustering tree repairs the deficit as predicted: standalone rejection rises, closing 72\% of the gap. Masking nodes at inference shows the repaired network still relies almost entirely on the primary branch; the secondary splittings make the representation learnable rather than supplying information it reads. Along the primary branch, the widest-angle splitting, near the top and $W$ opening angles, is worth nearly twice a random one. For quark/gluon tagging the primary branch is far less deficient, retaining 77.6\% of ParT's rejection (46.9\% for top), and the full tree closes only 33\% of the gap (72\% for top).
• Abstract（参考訳）: ランドプレーンとパーティクルトランスフォーマー(ParT)ジェットタグは、1つの表現が弱いため、あるいは下流の計算が弱いため、性能が異なる可能性がある。 スタンドアローンのパフォーマンスはこれらを分離できません。 モデルステッチは、あるネットワークの凍結した初期層と、あるネットワークの凍結した後期層を1つの訓練された線形マップを通して結びつけることができる。 正の制御として、障害が独立に知られている一次分解枝である不完全Lund表現を用いる。 ParTの下流に固定され、少なくとも自身の下流が回復するのと同じくらいバックグラウンドの拒絶に達するが、ParTのバックグラウンドの拒絶よりはるかに下にある。 三つ子を分割するハイパーグラフリーダーは、原因として高次相関を除外する。 ギャップはAUCでは見えず、ターゲット値の1\%以内に留まり、低信号効率でバックグラウンドの拒絶にのみ現れる。 背景ジェットの0.6\%、上部と上部に局在し、構成成分は多いが、典型的な背景よりも一次分裂は少ない。 ケンブリッジ/アーヘン・デクラスタリングツリーの完全な表現を再構築することは、予想通り赤字を修復する:スタンドアローンの拒絶が増加し、ギャップの72.5%が閉じる。 推論のマスキングノードは、修復されたネットワークが依然としてプライマリブランチにほぼ完全に依存していることを示している。 一次分岐に沿って、最も広い角度の分割は、最上部とW$の開口角に近く、ランダムに2倍の価値がある。 クォーク/グルーオンタグ付けでは、プライマリブランチの欠陥ははるかに少なく、ParTの拒絶率(トップは46.9.%)は77.6.%であり、完全なツリーはギャップの33.%(トップは72.%)しか閉じていない。

関連論文リスト

• One Patch, Three Roles: What Is Actually Coupled in Autoregressive Time-Series Forecasting? [49.84472730204669]
  凍結した親の軌道は, 軽量な平行出口で観測される未来よりも適合しやすいことを示す。 また、列車選択した周期的歴史方向に沿って補正可能な残射も見出す。 Tangentはこの修正を、ニューラルパラメータやTransformerコールを追加せずに適用する。
  論文  参考訳（メタデータ） (2026-09-20T14:54:35Z)
• Floor, Ceiling, and the Fusion Gap: How Much of Crowd Reading Attention Can Machines Predict? [1.8620637029128544]
  ベンチマークスコアは、自明なメソッドが何を達成し、最良のメソッドが何を達成できるかを知らなければ何の意味も持たない。 読者の群集が、それぞれの目的、無給、無命令、盲目などのために、120のWebドキュメントでマークされている文を予測します。
  論文  参考訳（メタデータ） (2026-08-03T05:09:49Z)
• FROST: Training-Free Few-Shot Segmentation with Frozen Features and Nonparametric Statistics [0.751390599566847]
  短いショットセグメンテーションでは、クエリイメージのターゲットクラスを、注釈付き例のほんの一握りの例から記述するよう、モデルに求めている。 凍結したDINOv3特徴の単位球面上の2点の雲として、基準フォアグラウンドと背景を扱い、トレーニング不要な小ショットセグメンタであるFROSTを紹介する。
  論文  参考訳（メタデータ） (2026-06-30T05:06:06Z)
• Rethinking Efficient Graph Coarsening via a Non-Selfishness Principle [56.92868481531399]
  粗大化における近隣住民の集団干渉を優先する非利己的原則を提案する。 局所等方性仮定に基づいて、O(dot d)干渉評価をO(d)に還元する高速なNOPE*を導出する。 粗いグラフの学習は、元のグラフに匹敵する性能を示し、LLMベースのグラフ推論よりも優れた性能を示すことができる。
  論文  参考訳（メタデータ） (2026-05-13T05:24:35Z)
• Not Just RLHF: Why Alignment Alone Won't Fix Multi-Agent Sycophancy [0.7212939068975618]
  事前訓練されたベースモデルは、インストラクトの変種と同じ置換パターンを示し、インストラクトよりも高い収率を平均化する。 このウィンドウの上のパッチは、クリーンにプレッシャーされたP(正しい)ギャップの96%を復元する。 2つの凝縮活性化空間介入は、新しいサイコファンシー回路を活性化するのではなく、圧力がクリーンな推論特性を抑制することを示している。
  論文  参考訳（メタデータ） (2026-05-13T04:45:08Z)
• Label-Free Cross-Task LoRA Merging with Null-Space Compression [50.63908869296697]
  我々は,ラベルフリーで出力に依存しない手法であるNull-Space Compression (NSC) Mergingを紹介した。 NSCは、従来のメソッドがタスクのサブセットに収まるバランスの取れたゲインを持つ20の異種視覚タスクに対して、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-27T11:34:41Z)
• DRIFT-Net: A Spectral--Coupled Neural Operator for PDEs Learning [16.6687431452785]
  ニューラルソルバを用いたPDE動的学習のための textbfDRIFT-Net を提案する。 スペクトルブランチとイメージブランチからなるデュアルブランチ設計を採用している。 トレーニング設定と予算は同じで,パラメータが少なく,エラーの低減とスループットの向上を実現している。
  論文  参考訳（メタデータ） (2025-09-29T14:52:31Z)
• Unsupervised Deep Probabilistic Approach for Partial Point Cloud Registration [74.53755415380171]
  ディープポイントクラウド登録手法は、部分的に重複し、ラベル付きデータに依存するという課題に直面している。 部分的な重なりを持つ点雲に対する教師なしの深い確率的登録フレームワークであるUDPRegを提案する。 UDPRegは3DMatch/3DLoMatchとModelNet/ModelLoNetベンチマークの競合性能を実現しています。
  論文  参考訳（メタデータ） (2023-03-23T14:18:06Z)
• Large-Margin Representation Learning for Texture Classification [67.94823375350433]
  本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。 テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
  論文  参考訳（メタデータ） (2022-06-17T04:07:45Z)
• Completely Self-Supervised Crowd Counting via Distribution Matching [92.09218454377395]
  我々は,密集した群集数に対するトレーニングモデルに対する完全な自己超越的アプローチを提案する。 トレーニングに必要な入力は、大量の未ラベルの群衆画像以外は、群衆数に近似した上限である。 提案手法は,自然群集が逆伝播の誤り信号を生成するために利用可能な電力法分布に従うという考え方に富む。
  論文  参考訳（メタデータ） (2020-09-14T13:20:12Z)

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。