Dec, 2023

使用去相关化事件分类器转换神经网络进行显著训练

PDF
TL;DR实验粒子物理利用机器学习进行各种任务，其中之一就是对信号和背景事件进行分类。这项研究提出了一种事件分类变压器来分析某个区域，并采用特殊技术训练网络，这些技术能提高显著性并减少网络输出与重建质量之间的相关性。研究结果表明，这种训练好的网络比增强决策树和前馈网络表现更好。
experimental particle physicsmachine learningclassificationevent classifier transformersignal and background events
发现论文，激发创造
  • 面向大规模分类和弱标注音频事件同步的音频视觉转换器架构

    本文报道了一种基于 transformer 神经网络的多模式音视频分类方法，具有较高的准确度，同时还证明了在某些情况下，视觉信息对这个任务是非常有用的。

    Dec, 2019

  • 使用 AI Transformer 模型提升电能质量事件分类能力

    最近，人们对利用机器学习进行电能质量事件（PQE）的准确分类越来越感兴趣。本文在先前的 PQE 分类研究基础上，提出了一个深度学习框架，利用注意力机制和 Transformer 来准确地在考虑到测量噪音、直流偏移以及电压信号幅值和频率变化的情况下进行 PQE 分类。实验证明，该框架的性能优于最近提出的基于学习的技术，其分类准确率在信噪比、直流偏移和信号幅值、频率变化等条件下能达到 99.81% 到 91.43% 不等。

    Feb, 2024

  • 高能物理数据上的量子启发式机器学习

    本文介绍如何应用张量网络作为量子启发机器学习技术，有效地分类来自 CERN 的大型强子对撞机数据，特别是分类所谓的 b - 喷注，并解释分类结果。同时，还认为张量网络在学习过程中根据所获取到的信息选择重要的特征并调整网络结构，在不需要重复学习过程的情况下实现精密分类或快速响应。这些结果为实现高频率实时应用奠定了基础，这是目前和未来 LHCb 事件分类的关键之一，能够触发每秒数千万个事件。

    Apr, 2020

  • 液氩探测器低能物理的少命中机器学习分类算法评估

    本文讨论机器学习在低能物理学中的应用，以及利用卷积神经网络和 Transformer-Encoder 方法优化探测器参数以处理低数量事件分类问题的结果。

    May, 2023

  • 利用深度神经网络进行高能物理中的喷注细分分类

    本文使用深度神经网络进行图像分类，无需专家特征即可区分大型强子对撞机数据中的单一强子粒子喷注和多重粒子喷注，效果与现有分析方法相当或略优。

    Mar, 2016

  • 神经网络事件检测：严格实证评估

    本文提出了一种基于 GRU 的模型，结合了注意机制，将语法信息和时间结构相结合，具有与其他神经网络架构相当的性能，在 ACE2005 数据集的不同随机初始化和训练验证测试划分下进行了经验评估。

    Aug, 2018

  • ClarET: 面向事件生成和分类的相关性感知上下文到事件的预训练变形器

    本文提出了一种预训练的名为 ClarET 的通用事件感知上下文到事件转换器，以解决许多事件中心推理任务中上下文关联事件的生成问题。该方法具有很强的一般适用性和有效性。

    Mar, 2022

  • Transformer 网络在原始 EEG 数据分类中的有效性

    本篇论文探讨了 Transformer 网络用于分类清洗和预处理后的脑电图（EEG）数据的有效性和性能，结果表明，基于 Transformer 的深度学习模型可以成功地消除对 EEG 数据特征提取的需求，实现了脑电图数据的高效分类。

    Feb, 2022

  • (机器) 学会做更多的事情，更少的资源

    本文比较了利用事件真值标签和利用类别比率这两个训练机器学习算法的方式，发现弱监督方法能够在信息不足的情况下提供令人满意的性能，并且在粒子物理学中得到了应用。实验证明，弱监督神经网络对于训练样本被误分类的问题具有极强的鲁棒性，并且与全监督神经网络相比可以探测到不同的运动学参数，表现出不同的事件级输出。由此，我们可以通过结合两种类型的网络输出来提高机器学习算法的分类能力。

    Jun, 2017

  • 利用网络变换器进行自监督和可解释的异常检测

    本文介绍了一种具有图形结构的 DNN 模型 - 网络转换器 (NeT)，用于检测工业控制系统中的异常，提供了分层次的功能，可以分析网络行为，提升了可解释性。

    Feb, 2022