文献

J-GLOBAL ID：201802282138941179   整理番号：18A1209349

高エネルギー物理学における粒子探索のための新しい多変量解析法【JST・京大機械翻訳】

A novel multi-variate analysis method for searching particles in high energy physics

著者 (5件)： Ma Chao (Department of Computer Science, University College London London, WC1E 6BT, UK) ,  Xu Jin-hui (School of Mathematical & Statistical Sciences, Arizona State University, Tempe, AZ 85281, USA) ,  Hou Tian-cheng (Department of Finance and Risk Engineering, New York University, New York, NY 10003, USA) ,  Lan Bin (Department of Economics, City University of Hongkong Hongkong, Tat Chee Avenue, Kowloon, China) ,  Zhang Zhen-hua (School of Economics and Trade, Guangdong University of Foreign Studies, Guangzhou, 510006, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICNC-FSKD  ページ： 515-522  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 高エネルギー物理学(HEP)におけるHiggsボソンのチャネルを探索するために,本論文では,新しいアンサンブル多変量解析法(MVA)であるDeep Extreme Feature Extraction(DEFE)を提案した。DEFEは,高レベルの深い予測ネットワークから勾配流を直接制御し,分布させる暗黙のニューラルコントローラを採用することによって達成される,多様性とペナルティの相関を明示的に奨励することなく,ニューラル特徴学習者の強い多様な集合を訓練する深いアンサンブル学習方式である。本論文で提示した極端な選択領域の構築と近似に基づいて,DEFEモデルを効率的に訓練することができて,多重角度と次元から識別特徴を抽出することができて,したがって,HEPにおける新しい粒子を探索する選択領域の改良を達成することができた。このモデルにおける応用により,信号プロセスの完全な選択領域を,ミニチュア衝突イベントセットの訓練を通して得ることができる。古典的な深いニューラルネットワーク(DNN)の比較において,DEFEは最先端の性能を示した。誤差率は約37%減少し,精度は最初に90%を通して破壊し,標準偏差6.0に達した。実験により,DEFEは,最終予測の過剰性能を高める識別特徴学習者の集合を訓練できることを示した。さらに,高レベルの特徴の中で,DNNによって同定されていないいくつかの重要なパターンがあり,DEFEはこれらの有意なパターンをより効果的かつ効率的に同定することができる。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【JST・京大機械翻訳】

シソーラス用語： ニューラルネットワーク ,  多重化 ,  Higgsボソン ,  *多変量解析 ,  ペナルティ ,  予測 ,  チャネル ,  モデル ,  ネットワーク ,  標準偏差
準シソーラス用語： 最先端 ,  アンサンブル学習 ,  学習者 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 高エネルギー物理学 ,  探索 ,  多変量解析