ترجمه فارسی مقاله آیا میتوانیم در وظایف طبقهبندی HEP پیشرفت کنیم؟ شبکههای کولموگروف-آرنولد که برای یک مثال فیزیک LHC اعمال میشوند
| عنوان مقاله به انگلیسی | KAN we improve on HEP classification tasks? Kolmogorov-Arnold Networks applied to an LHC physics example |
| عنوان مقاله به فارسی | آیا میتوانیم در وظایف طبقهبندی HEP پیشرفت کنیم؟ شبکههای کولموگروف-آرنولد که برای یک مثال فیزیک LHC اعمال میشوند |
| نویسندگان | Johannes Erdmann, Florian Mausolf, Jan Lukas Späh |
| فرمت مقاله انگلیسی | |
| تعداد صفحات | 25 |
| دسته بندی موضوعات | High Energy Physics - Phenomenology,Machine Learning,High Energy Physics - Experiment,Data Analysis, Statistics and Probability,فیزیک انرژی بالا - پدیدارشناسی , یادگیری ماشین , فیزیک انرژی بالا - آزمایش , تجزیه و تحلیل داده ها , آمار و احتمال , |
| توضیحات | Submitted 5 August, 2024; originally announced August 2024. , Comments: 25 pages, 9 figures |
| توضیحات به فارسی | ارسال شده در 5 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 25 صفحه ، 9 شکل |
قیمت: 19,000 تومان
سفارش
با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش میدهید.
قیمت: 1,000,000 تومان
زمان تحویل: 2 تا 3 روز کاری
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
چکیده
Recently, Kolmogorov-Arnold Networks (KANs) have been proposed as an alternative to multilayer perceptrons, suggesting advantages in performance and interpretability. We study a typical binary event classification task in high-energy physics including high-level features and comment on the performance and interpretability of KANs in this context. We find that the learned activation functions of a one-layer KAN resemble the log-likelihood ratio of the input features. In deeper KANs, the activations in the first KAN layer differ from those in the one-layer KAN, which indicates that the deeper KANs learn more complex representations of the data. We study KANs with different depths and widths and we compare them to multilayer perceptrons in terms of performance and number of trainable parameters. For the chosen classification task, we do not find that KANs are more parameter efficient. However, small KANs may offer advantages in terms of interpretability that come at the cost of only a moderate loss in performance.
چکیده به فارسی (ترجمه ماشینی)
به تازگی ، شبکه های Kolmogorov-Arnold (KANS) به عنوان جایگزینی برای Perceptrons چند لایه پیشنهاد شده است ، و مزایای عملکرد و تفسیر را نشان می دهد.ما یک کار طبقه بندی رویداد باینری معمولی را در فیزیک پر انرژی از جمله ویژگی های سطح بالا مطالعه می کنیم و در مورد عملکرد و تفسیر KAN ها در این زمینه اظهار نظر می کنیم.ما می دانیم که توابع فعال سازی آموخته شده از یک لایه KAN شبیه به نسبت ورود به سیستم از ویژگی های ورودی است.در کانز عمیق تر ، فعال سازی در لایه اول KAN با مواردی که در KAN یک لایه وجود دارد متفاوت است ، که نشان می دهد Kans عمیق تر نمایش های پیچیده تری از داده ها را می آموزند.ما Kans را با عمق و عرض های مختلف مطالعه می کنیم و آنها را از نظر عملکرد و تعداد پارامترهای قابل آموزش با Perceptrons چند لایه مقایسه می کنیم.برای کار طبقه بندی انتخاب شده ، ما نمی دانیم که Kans پارامتر تر است.با این حال ، Kans کوچک ممکن است از نظر تفسیر که با هزینه فقط یک ضرر متوسط در عملکرد حاصل می شود ، مزایایی ارائه دهند.📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
-
کتاب صدها نکته فارسی (خودمونی) – نسخه PDF — زبان ساده و کاربردی
مشاهده نمونه نسخه نکات ساده -
کتاب صدها نکته رسمی فارسی – نسخه PDF — نگارش استاندارد و علمی
مشاهده نمونه نسخه نکات رسمی -
کتاب صدها پرسش و پاسخ تشریحی – نسخه PDF
— هر سؤال همراه با پاسخ کامل برای درک عمیق مفاهیم
مشاهده نمونه نسخه پرسش و پاسخ -
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع -
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
- این محصول به صورت فایل دانلودی کامل ارائه میشود.
- توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
- دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
- برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
- اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی:
واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248
تلگرام: @ma_limbs
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.