首页/论文/1806.00433

arXiv 1806.004332018-06physics.data-anhep-exhep-ph

生成对抗网络的展开

Unfolding with Generative Adversarial Networks

Kaustuv Datta, Deepak Kar, Debarati Roy

备注：: 11 pages, 10 figures, prepared for submission to JHEP

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

将测量的探测器水平分布校正到粒子水平是使数据在实验合作之外可用的关键。术语展开用于描述该过程。本文提出了一种使用改进的生成对抗网络（MSGAN）展开数据的新方法。应用于各种分布的广泛不同的形状，它的表现大致与目前使用的方法。这是一个最先进的机器学习方法的原理证明，可以用来很好地模拟检测器的影响。

英文摘要：

Correcting measured detector-level distributions to particle-level is essential to make data usable outside the experimental collaborations. The term unfolding is used to describe this procedure. A new method of unfolding data using a modified Generative Adversarial Network (MSGAN) is presented here. Applied to various distributions with widely different shapes, it performs roughly at par with currently used methods. This is a proof-of-principle demonstration of a state-of-the-art machine learning method that can be used to model detector effects well.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

Reweighting Adversarial Networks 用于非分箱反卷积

Reweighting Adversarial Networks for Unbinned Unfolding

Stanford University（斯坦福大学）；SLAC National Accelerator Laboratory（SLAC国家加速器实验室）；University of California, Berkeley（加州大学伯克利分校）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）；Massachusetts Institute of Technology（麻省理工学院）；Institut des Hautes Études Scientifiques（高等科学研究所）；CEA Paris-Saclay（巴黎萨克雷大学原子能委员会）；Department of Physics, Stanford University（斯坦福大学物理系）；Fundamental Physics Directorate, SLAC National Accelerator Laboratory（SLAC国家加速器实验室基础物理部）；Department of Physics, University of California, Berkeley（加州大学伯克利分校物理系）；Physics Division, Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室物理部）；Center for Theoretical Physics – a Leinweber Institute, Massachusetts Institute of Technology（麻省理工学院莱因韦伯理论物理中心）；Institut de Physique Théorique, CEA Paris-Saclay（巴黎萨克雷大学原子能委员会理论物理研究所）；Department of Particle Physics and Astrophysics, Stanford University（斯坦福大学粒子物理与天体物理学系）

提出Reweighting Adversarial Network (RAN)，通过粒子级重加权和探测器级Wasserstein判别器解决非重叠支撑下的双层反卷积问题，在精度和计算效率上超越现有方法。

2026-06-04hep-exhep-phphysics.data-an

基于机器学习与基于传递矩阵的Unfolding方法的逐事件比较

Event-by-event Comparison between Machine-Learning- and Transfer-Matrix-based Unfolding Methods

本研究针对探测器效应unfolding问题，提出一种为传统传递矩阵unfolding方法获取概率性单事件分布及对应不确定度、相关性的方法，经玩具模型和$pp\ ightarrow Zγγ$伪数据验证，并与基于IcINN的机器学习单事件unfolding方法做了性能对比。

2024-12-15hep-exhep-phphysics.data-an

一种基于条件可逆神经网络（cINN）并采用迭代训练的展开方法

An unfolding method based on conditional Invertible Neural Networks (cINN) using iterative training

Kirchhoff-Institut für Physik, Universität Heidelberg（海德堡大学基尔霍夫物理研究所）；LPNHE, Sorbonne Université, Université Paris Cité, CNRS/IN2P3（索邦大学、巴黎西岱大学、法国国家科学研究中心核与粒子物理研究所巴黎勒普兰斯-林盖特核物理与高能物理实验室）；Institut für Theoretische Physik, Universität Heidelberg（海德堡大学理论物理研究所）

本文提出迭代条件可逆神经网络IcINN展开方法，通过迭代训练修正模拟样本与真实数据的偏差，并在玩具数据及 $pp \to Z \gamma\gamma$ 赝数据上验证了其有效性。

2024-01-10cs.LGhep-exhep-ph

使用生成对抗网络快速准确地模拟粒子探测器

Fast and accurate simulation of particle detectors using generative adversarial networks

由神经网络参数化的深度生成模型最近开始在自然图像建模中提供准确的结果。特别是，生成对抗网络为这个问题提供了一个无监督的解决方案。在这项工作中，我们将这种技术应用到模拟粒子探测器对强子喷流的响应。我们表明，深度神经网络可以在这项任务中实现高保真度，同时相对于传统算法实现几个数量级的速度提升。

2018-11-26hep-exhep-phphysics.data-an

SDYN-GANs：一般阶随机动力学多步生成模型的对抗学习方法

SDYN-GANs: Adversarial Learning Methods for Multistep Generative Models for General Order Stochastic Dynamics

Pacific Northwest National Laboratory（太平洋西北国家实验室）；Massachusetts Institute of Technology（麻省理工学院）；University of California Santa Barbara（加州大学圣巴巴拉分校）

我们引入对抗学习方法，用于$n^{th}$阶随机系统动态的数据驱动生成建模。我们的方法建立在生成对抗网络（GANs）上，生成模型类基于稳定的$m$步随机数值积分器。我们介绍了不同的配方和训练方法的基础上观察轨迹样本的随机动力学学习模型。我们开发了基于最大平均离散度（MMD）的鉴别器，使用条件分布和边缘分布的训练协议以及在不同时间尺度上学习动态响应的方法。我们展示了如何使用我们的方法来建模物理系统，学习力的法律，阻尼系数和噪声相关的参数。对抗性学习方法提供了为动态任务获得稳定生成模型的方法，包括长期预测和为随机系统开发模拟。

2023-02-07cs.LGcs.NAmath.DS

拉格朗日弹道仿真的生成对抗网络模型

Introducing a Generative Adversarial Network Model for Lagrangian Trajectory Simulation

Illinois Institute of Technology（伊利诺伊理工学院）；Washington University in St. Louis（圣路易斯华盛顿大学）

我们引入了一个生成对抗网络（GAN）模型来模拟浮力对抗火焰回流区中粒子的三维拉格朗日运动。GAN模型包括用作生成器的随机递归神经网络和用作卷积器的卷积神经网络。对抗性训练进行到这样的程度，即最好的训练生成器无法区分地面真相和最好的训练生成器产生的轨迹。然后，根据对模拟轨迹和地面实况进行的统计分析，对模型性能进行基准测试，以确定准确性和泛化标准。

2019-01-13cs.CVcs.LGphysics.data-an