ترجمه فارسی مقاله دکانولوشن چند بعدی با نمایه سازی

چکیده

In many experimental contexts, it is necessary to statistically remove the impact of instrumental effects in order to physically interpret measurements. This task has been extensively studied in particle physics, where the deconvolution task is called unfolding. A number of recent methods have shown how to perform high-dimensional, unbinned unfolding using machine learning. However, one of the assumptions in all of these methods is that the detector response is accurately modeled in the Monte Carlo simulation. In practice, the detector response depends on a number of nuisance parameters that can be constrained with data. We propose a new algorithm called Profile OmniFold (POF), which works in a similar iterative manner as the OmniFold (OF) algorithm while being able to simultaneously profile the nuisance parameters. We illustrate the method with a Gaussian example as a proof of concept highlighting its promising capabilities.

چکیده به فارسی (ترجمه ماشینی)

در بسیاری از زمینه های آزمایشی ، لازم است از نظر آماری تأثیر اثرات ابزاری را به منظور تفسیر جسمی اندازه گیری ها حذف کنید.این کار به طور گسترده در فیزیک ذرات مورد مطالعه قرار گرفته است ، جایی که وظیفه تجزیه آن را آشکار می کند.تعدادی از روشهای اخیر نشان داده اند که چگونه می توان با استفاده از یادگیری ماشین ، آشکار سازی با ابعاد بالا و بدون ابعاد را انجام داد.با این حال ، یکی از فرضیات در تمام این روش ها این است که پاسخ ردیاب به طور دقیق در شبیه سازی مونت کارلو مدل می شود.در عمل ، پاسخ ردیاب به تعدادی از پارامترهای مزاحمت بستگی دارد که می تواند با داده ها محدود شود.ما یک الگوریتم جدید به نام Profile Omnifold (POF) پیشنهاد می کنیم ، که به صورت تکراری مشابه به عنوان الگوریتم Omnifold (of) در حالی که قادر به همزمان پارامترهای مزاحمت است ، کار می کند.ما این روش را با یک مثال گاوسی به عنوان اثبات مفهوم برجسته کننده قابلیت های امیدوار کننده آن نشان می دهیم.