論文の概要: Combinatorial Residual Network: a decay-chain-aware classifier without explicit jet assignment

• arxiv url: http://arxiv.org/abs/2610.40749v1
• Date: Thu, 29 Oct 2026 16:04:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.456032
• Title: Combinatorial Residual Network: a decay-chain-aware classifier without explicit jet assignment
• Title（参考訳）: Combinatorial Residual Network: 明示的なジェット代入を伴わない崩壊鎖認識分類器
• Abstract要約: アーキテクチャにおける最終状態の仮定崩壊連鎖を符号化する分類器を記述する。 CoReNetは、崩壊階層に沿ってレベル別にイベント表現レベルを構築し、オブジェクト間で共有される重みを持つすべてのジェット代入仮説を評価する。 このアーキテクチャは$bbarbbbarb$ final stateのために開発され、いくつかのCMS検索で使用されている。
• 参考スコア（独自算出の注目度）: 34.90689519793341
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Final states with several jets from the decays of heavy particles pose a combinatorial problem, since the jets must be assigned, at least implicitly, to their parent particles. We describe the Combinatorial Residual Network (CoReNet), a classifier that encodes the assumed decay chain of the final state in its architecture. CoReNet builds its event representation level by level along the decay hierarchy, evaluates every jet assignment hypothesis with weights shared across objects, and combines the hypotheses with learned weights using residual networks. The exchange symmetries of the decay are built into the construction, the size of the network does not depend on the number of hypotheses, and the network is trained with the classification loss alone, without generator-level jet assignments. The architecture was developed for the $b\bar{b}b\bar{b}$ final state and has been used in several CMS searches. On fast-simulation samples of Higgs boson pair production in the $b\bar{b}b\bar{b}$ final state against QCD multijet production, CoReNet with 1508 trainable parameters performs well above kinematic baselines and trains in minutes on a single GPU. Its hypothesis weights select the truth-matched jet pairing in most of the signal events in which it is defined, although no assignment target is used in training. Since only the encoded decay chain is specific to the final state, the construction carries over to other topologies, which we test with $HH \to b\bar{b}W^+W^-$ against semileptonic $t\bar{t}$. There, encoding the decay chain of the background as well as that of the signal further improves the classification, at a cost of about $10^3$ parameters. In both final states its performance is comparable to that of a state-of-the-art transformer-based network more than two orders of magnitude larger. The implementation is publicly available at https://github.com/cms-cmu/CoReNet.
• Abstract（参考訳）: 重粒子の崩壊からいくつかのジェットが放出される最終状態は、少なくとも暗黙的に、これらのジェットを親粒子に割り当てなければならないため、組合せ問題を引き起こす。 アーキテクチャにおける最終状態の仮定崩壊連鎖を符号化する分類器である Combinatorial Residual Network (CoReNet) について述べる。 CoReNetは、崩壊階層に沿ってイベント表現レベルを構築し、オブジェクト間で共有される重みで全てのジェット代入仮説を評価し、残余ネットワークを用いて学習された重みと仮説を結合する。 崩壊の交換対称性は構築の中に構築され、ネットワークのサイズは仮説の数に依存しず、ネットワークはジェネレータレベルのジェット代入なしで分類損失だけで訓練される。 このアーキテクチャは、$b\bar{b}b\bar{b}$ final stateのために開発され、いくつかのCMS検索で使用されている。 In fast-simulation sample of Higgs boson pair production in the $b\bar{b}b\bar{b}$ final state against QCD multijet production, CoReNet with 1508 trainable parameters are well above kinematic baseline and train in a single GPU。 その仮説の重みは、それが定義されているほとんどの信号イベントにおいて真に整合したジェット対を選択するが、訓練に割り当てられるターゲットは存在しない。 符号化された崩壊鎖のみが最終状態に特異的であるため、構成は他のトポロジーに受け継がれ、半レプトニック$t\bar{t}$に対して$HH \to b\bar{b}W^+W^-$でテストする。 そこで、背景の崩壊鎖と信号の崩壊鎖を符号化することで、約10^3$のパラメータで分類をさらに改善する。 どちらの状態でも、その性能は最先端のトランスフォーマーベースのネットワークに匹敵する。 実装はhttps://github.com/cms-cmu/CoReNetで公開されている。

関連論文リスト

• Topological Simplification in Predictive Coding Networks [0.8399542059465145]
  本研究では,予測符号化ネットワーク(PCN)における学習のトポロジについて,定量的に永続的なホモロジー解析を用いて検討する。 以上の結果から,PCNの圧縮構造と層構造に永続的ホモロジーが有用であることが示唆された。
  論文  参考訳（メタデータ） (2026-08-03T19:12:11Z)
• Gram-Certified Resource Continuation for Structured Quantum Representation Audits [0.0]
  構造化量子表現処理のためのグラム認証資源継続法を開発した。 連続性は最終的なシュミット級天井を克服できないことを示す。 これらのノイズのない古典的な結果は、汎用的な40量子ビットのシミュラビリティを確立したり、ハードウェアの性能を主張したり、量子的優位性を確立したりしない。
  論文  参考訳（メタデータ） (2026-07-11T15:38:24Z)
• Learning Compositional Latent Structure with Vector Networks [3.1549361383968524]
  本稿では,各層が固定重み行列を再利用可能なランク1重み原子のライブラリに置き換える階層的リカレントアーキテクチャであるベクトルネットワーク(VN)を紹介する。 VNは分布の強い基底線と一致し、よく知られた因子を新しい方法で組み直さなければならないとき、しばしば桁違いに低い分布誤差を達成する。
  論文  参考訳（メタデータ） (2026-05-27T05:56:36Z)
• Arithmetic-Mean $μ$P for Modern Architectures: A Unified Learning-Rate Scale for CNNs and ResNets [9.94514344279733]
  Arithmetic-Mean $mu$P は個々の層ではなく、ネットワーク全体の平均1ステップのプレアクティベーション第2モーメントを一定スケールに制限する。 1次元および2次元の畳み込みネットワークの場合、最大更新学習率は$etastar(L)propto L-3/2$; を満足する。
  論文  参考訳（メタデータ） (2025-10-05T19:22:50Z)
• 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)
• Factorizers for Distributed Sparse Block Codes [45.29870215671697]
  分散ブロック符号(SBC)を高速かつ高精度に分解する手法を提案する。 我々の反復分解器は、しきい値に基づく非線形活性化、条件付きランダムサンプリング、および $ell_infty$-based similarity metricを導入している。 CIFAR-100, ImageNet-1K, RAVENデータセット上での4つの深層CNNアーキテクチャの実現可能性を示す。
  論文  参考訳（メタデータ） (2023-03-24T12:31:48Z)
• Rethinking SO(3)-equivariance with Bilinear Tensor Networks [0.0]
  我々は、偏差対称性の破れにより、SO$(2)$のベクトルおよび順序2テンソル表現のみに作用するネットワークの表現性を向上させることができることを示す。 本稿では, b-中間子崩壊から生じる粒子ジェットを, 圧倒的なQCD背景から識別しなくてはならない, テクスタイブタグと呼ばれる高エネルギー物理の重要な問題に対して, 本手法を実証する。
  論文  参考訳（メタデータ） (2023-03-20T17:23:15Z)
• Bounding the Width of Neural Networks via Coupled Initialization -- A Worst Case Analysis [121.9821494461427]
  2層ReLUネットワークに必要なニューロン数を著しく削減する方法を示す。 また、事前の作業を改善するための新しい下位境界を証明し、ある仮定の下では、最善を尽くすことができることを証明します。
  論文  参考訳（メタデータ） (2022-06-26T06:51:31Z)
• Distributed Saddle-Point Problems Under Similarity [173.19083235638104]
  与えられたサブ最適度$epsilon0$は、$Omegabigのマスター/ワーカーネットワークで達成されることを示す。 次に,ネットワークの下位の型(ログオーバまで)に適合するアルゴリズムを提案する。 頑健なロジスティック回帰問題に対して提案アルゴリズムの有効性を評価する。
  論文  参考訳（メタデータ） (2021-07-22T14:25:16Z)
• Permute, Quantize, and Fine-tune: Efficient Compression of Neural Networks [70.0243910593064]
  ベクトル量子化の成功の鍵は、どのパラメータ群を一緒に圧縮するかを決定することである。 本稿では,隣り合う2つの層の重みを同じ関数を表現しながら不変にすることができることを観察する。 次に、レート歪み理論への接続を確立し、圧縮し易いネットワークとなる置換を探索する。
  論文  参考訳（メタデータ） (2020-10-29T15:47:26Z)

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。