埋込み空間グラフニューラルネットワークによるトラックシーディングとラベリング【JST・京大機械翻訳】

Choma Nicholas; Murnane Daniel; Ju Xiangyang; Calafiura Paolo; Conlon Sean; Farrell Steven; Prabhat; Cerati Giuseppe; Gray Lindsey; Klijnsma Thomas; Kowalkowski Jim; Spentzouris Panagiotis; Vlimant Jean-Roch; Spiropulu Maria; Aurisano Adam; Hewes V; Tsaris Aristeidis; Terao Kazuhiro; Usher Tracy

プレプリント

J-GLOBAL ID：202202208475592900 整理番号：22P0165801

埋込み空間グラフニューラルネットワークによるトラックシーディングとラベリング【JST・京大機械翻訳】

Track Seeding and Labelling with Embedded-space Graph Neural Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (19件)： , , , , , , , , , , , , , , , , , ,
資料名：
発行年： 2020年06月30日プレプリントサーバーでの情報更新日： 2020年06月30日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

HL-LHCデータの前例のないスケールに取り組むために,Exa。TrkXプロジェクトは,粒子追跡再構成に対する様々な機械学習アプローチを研究している。これらの解決策,グラフニューラルネットワーク(GNN)の最も有望なものは,トラック測定(ノードに対応する検出器ヒット)を,ヒット(エッジに対応する)間の候補ラインセグメントと接続するグラフとしてイベントを処理する。検出器情報はノードとエッジと関係があり,GNNがグラフ周辺の埋込みパラメータを伝搬させ,ノード,エッジおよびグラフレベルの観測可能性を予測することができる。以前に,メッセージパッシングGNNは,二重尤度予測の成功を示し,ここでは,このタスクに対する最先端のアーキテクチャに関する更新を報告する。さらに,Exa.TrkXプロジェクトは,グラフ構築と埋込み表現の両方における革新を,完全に学習されたエンドツーエンド追跡発見を達成する努力において調査した。したがって,ヒットグラフ分類に対する有望な結果で,元のモデルに対する一連の拡張を示した。さらに,非線形計量構造を含む学習表現からグラフを構築し,データ点の効率的なクラスタリングと近傍クエリを可能にすることにより,性能の向上を検討した。ここでは,このフレームワークが従来のクラスタリングパイプラインとGNNアプローチの両方に適合することを示した。埋込みグラフは,高精度二重項と三重項分類器に供給され,または埋込み空間におけるクラスタリングによりエンドツーエンドトラック分類器として使用できる。後処理法のセットは,検出器物理の知識によって性能を改善した。最後に,このフレームワークがシーディングとトラック発見の両方において好ましい結果を示す,TrackML粒子追跡チャレンジデータセットに関する数値結果を提示した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

人工知能 , グラフ理論基礎

, , , ,

前のページに戻る