基于Boosted决策树的MiniBooNE颗粒识别方法研究

Boosted决策树作为人工神经网络的替代用于颗粒识别

Boosted Decision Trees as an Alternative to Artificial Neural Networks for Particle Identification

使用人工神经网络和提升决策树的粒子识别的功效进行了比较。在MiniBooNE的背景下进行的比较，在费米实验室的实验寻找中微子振荡。基于模拟数据的Monte Carlo样本研究，在MiniBooNE实验中，Boosting算法的粒子识别性能优于人工神经网络。虽然本文中的测试是针对一个实验的，但预计提升算法将在物理学中得到广泛的应用。

人工神经网络和Boosted决策树的稳定性和鲁棒性研究

Studies of Stability and Robustness for Artificial Neural Networks and Boosted Decision Trees

在本文中，我们比较了性能，稳定性和鲁棒性的人工神经网络（ANN）和提升决策树（BDT）使用MiniBooNE蒙特卡罗样本。这些方法试图在给定多个识别变量的情况下对事件进行分类。我们在以前的出版物中讨论了BDT算法。本文通过对测试样本的输入变量进行涂抹和移位来进行测试。基于这些研究，BDT具有更好的颗粒识别性能比人工神经网络，通过移动或涂抹测试结果的变量得到的分类的退化是较小的BDT比人工神经网络。

用于粒子识别的级联训练技术

Cascade Training Technique for Particle Identification

级联训练技术，这是在我们的工作中开发的MiniBooNE颗粒识别已被发现是一个非常有效的方式来提高选择性能，特别是当非常低的背景污染水平是理想的。在此基于MiniBooNE检测器蒙特卡罗模拟，使用人工神经网络和提升决策树作为示例，给出了该技术的详细描述。

通过最小化N-隶属度来最大化Boosted Top识别

Maximizing Boosted Top Identification by Minimizing N-subjettiness

N-从属性是一种喷流形状，旨在识别顶夸克等增强强子物体。给定射流内的N个子射流轴，N-子射流度将射流成分到它们最近的子射流轴的角距离相加。在这里，我们推广和改善N-subjettiness最小化所有可能的subjet方向，使用一个新的变种的k-均值聚类算法。在BOOST 2010研讨会的增强顶级基准样本上，我们证明了3-subjettiness与2-subjettiness比率的简单切割产生20%（50%）的标记效率，0.23%（4.1%）的假率，使N-subjettiness成为高效的增强顶级标记器。N-subjettiness可以通过调整角度加权指数进行修改，我们发现，射流加宽措施是首选的提升顶部搜索。我们还探讨了多变量技术，并表明，使用修改后的Fisher判别式，额外的改进是可能的。最后，我们简要地提到我们的最小化过程可以扩展到整个事件，允许事件形状N-jettiness作为一个固定的N锥射流算法。

Deep Neural Network as an alternative to Boosted Decision Trees for PID

In this paper we recreate, and improve, the binary classification method for particles proposed in Roe et al. (2005) paper "Boosted decision trees as an alternative to artificial neural networks for particle identification". Such particles are tau neutrinos, which we will refer to as background, and electronic neutrinos: the signal we are interested in. In the original paper the preferred algorithm is a Boosted decision tree. This is due to its low effort tuning and good overall performance at the time. Our choice for implementation is a deep neural network, faster and more promising in perfor…

使用机器学习在GlueX探测器中进行粒子识别

Particle identification in the GlueX detector with machine learning

本研究利用多层感知器和提升决策树等机器学习算法增强GlueX实验的粒子识别方法，显著提高了在Monte Carlo模拟数据中识别带电和中性粒子的准确性。