ترجمه فارسی مقاله تشخیص سیگنال نیمه پارامتری قوی در فیزیک ذرات با طبقه بندی کننده های دکوراسیون شده از طریق حمل و نقل بهینه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Robust semi-parametric signal detection in particle physics with classifiers decorrelated via optimal transport
عنوان مقاله به فارسی تشخیص سیگنال نیمه پارامتری قوی در فیزیک ذرات با طبقه بندی کننده های دکوراسیون شده از طریق حمل و نقل بهینه
نویسندگان Purvasha Chakravarti, Lucas Kania, Olaf Behnke, Mikael Kuusela, Larry Wasserman
فرمت مقاله انگلیسی PDF
تعداد صفحات 67
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Applications,High Energy Physics - Experiment,High Energy Physics - Phenomenology,Machine Learning,کاربردها , فیزیک انرژی بالا - آزمایش , فیزیک انرژی بالا - پدیدارشناسی , یادگیری ماشین ,
توضیحات Submitted 10 September, 2024; originally announced September 2024. , Comments: 67 pages, 21 figures
توضیحات به فارسی ارسال شده 10 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: 67 صفحه ، 21 شکل
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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.

🎯 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

Searches of new signals in particle physics are usually done by training a supervised classifier to separate a signal model from the known Standard Model physics (also called the background model). However, even when the signal model is correct, systematic errors in the background model can influence supervised classifiers and might adversely affect the signal detection procedure. To tackle this problem, one approach is to use the (possibly misspecified) classifier only to perform a preliminary signal-enrichment step and then to carry out a bump hunt on the signal-rich sample using only the real experimental data. For this procedure to work, we need a classifier constrained to be decorrelated with one or more protected variables used for the signal detection step. We do this by considering an optimal transport map of the classifier output that makes it independent of the protected variable(s) for the background. We then fit a semi-parametric mixture model to the distribution of the protected variable after making cuts on the transformed classifier to detect the presence of a signal. We compare and contrast this decorrelation method with previous approaches, show that the decorrelation procedure is robust to moderate background misspecification, and analyse the power of the signal detection test as a function of the cut on the classifier.

چکیده به فارسی (ترجمه ماشینی)

جستجوهای سیگنال های جدید در فیزیک ذرات معمولاً با آموزش یک طبقه بندی تحت نظارت برای جدا کردن یک مدل سیگنال از فیزیک مدل استاندارد شناخته شده (که به آن مدل پس زمینه نیز گفته می شود) انجام می شود.با این حال ، حتی اگر مدل سیگنال صحیح باشد ، خطاهای سیستماتیک در مدل پس زمینه می توانند بر طبقه بندی کننده های نظارتی تأثیر بگذارند و ممکن است بر روش تشخیص سیگنال تأثیر منفی بگذارد.برای مقابله با این مشکل ، یک رویکرد استفاده از طبقه بندی کننده (احتمالاً اشتباه مشخص شده) فقط برای انجام یک مرحله غنی سازی سیگنال اولیه و سپس انجام یک شکار دست انداز در نمونه غنی از سیگنال با استفاده از تنها داده های آزمایشی واقعی است.برای کار این روش ، ما به یک طبقه بندی محدود نیاز داریم تا با یک یا چند متغیر محافظت شده مورد استفاده برای مرحله تشخیص سیگنال استفاده شود.ما این کار را با در نظر گرفتن نقشه حمل و نقل بهینه از خروجی طبقه بندی کننده انجام می دهیم که باعث می شود آن را از متغیر (های) محافظت شده برای پس زمینه مستقل کند.سپس ما یک مدل مخلوط نیمه پارامتری را در توزیع متغیر محافظت شده پس از انجام برش روی طبقه بندی کننده تبدیل شده قرار می دهیم تا حضور یک سیگنال را تشخیص دهد.ما این روش دکوراسیون را با رویکردهای قبلی مقایسه و تضاد می کنیم ، نشان می دهیم که روش دکوراسیون از اشتباه و مقادیر با پس زمینه متوسط ​​است و قدرت آزمون تشخیص سیگنال را به عنوان تابعی از برش در طبقه بندی کننده تجزیه و تحلیل می کنیم.

📚 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.

🎯 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.