ترجمه فارسی مقاله پایش کیفیت داده ها از طریق آموزش انتقال در تشخیص ناهنجاری برای کالریمترهای هادرون

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 Data Quality Monitoring through Transfer Learning on Anomaly Detection for the Hadron Calorimeters
عنوان مقاله به فارسی پایش کیفیت داده ها از طریق آموزش انتقال در تشخیص ناهنجاری برای کالریمترهای هادرون
نویسندگان Mulugeta Weldezgina Asres, Christian Walter Omlin, Long Wang, Pavel Parygin, David Yu, Jay Dittmann, The CMS-HCAL Collaboration
فرمت مقاله انگلیسی PDF
تعداد صفحات 28
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 29 August, 2024; originally announced August 2024. , Comments: 28 pages, 15 figures, and 9 tables
توضیحات به فارسی ارسال شده 29 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 28 صفحه ، 15 شکل و 9 جدول
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

The proliferation of sensors brings an immense volume of spatio-temporal (ST) data in many domains for various purposes, including monitoring, diagnostics, and prognostics applications. Data curation is a time-consuming process for a large volume of data, making it challenging and expensive to deploy data analytics platforms in new environments. Transfer learning (TL) mechanisms promise to mitigate data sparsity and model complexity by utilizing pre-trained models for a new task. Despite the triumph of TL in fields like computer vision and natural language processing, efforts on complex ST models for anomaly detection (AD) applications are limited. In this study, we present the potential of TL within the context of AD for the Hadron Calorimeter of the Compact Muon Solenoid experiment at CERN. We have transferred the ST AD models trained on data collected from one part of a calorimeter to another. We have investigated different configurations of TL on semi-supervised autoencoders of the ST AD models -- transferring convolutional, graph, and recurrent neural networks of both the encoder and decoder networks. The experiment results demonstrate that TL effectively enhances the model learning accuracy on a target subdetector. The TL achieves promising data reconstruction and AD performance while substantially reducing the trainable parameters of the AD models. It also improves robustness against anomaly contamination in the training data sets of the semi-supervised AD models.

چکیده به فارسی (ترجمه ماشینی)

تکثیر سنسورها حجم عظیمی از داده های مکانی-زمانی (ST) را در بسیاری از حوزه ها برای اهداف مختلف از جمله نظارت ، تشخیص و برنامه های پیش آگهی به ارمغان می آورد.درمان داده ها یک فرآیند وقت گیر برای حجم زیادی از داده ها است و استقرار سیستم عامل های تجزیه و تحلیل داده ها در محیط های جدید ، آن را به چالش کشیده و گران می کند.مکانیسم های انتقال (TL) نویدبخش کاهش کمبود داده ها و پیچیدگی مدل با استفاده از مدل های از پیش آموزش داده شده برای یک کار جدید است.با وجود پیروزی TL در زمینه هایی مانند دید رایانه و پردازش زبان طبیعی ، تلاش برای مدل های پیچیده ST برای برنامه های تشخیص ناهنجاری (AD) محدود است.در این مطالعه ، ما پتانسیل TL را در چارچوب AD برای کالری سنج هادرون آزمایش Solenoid Muon جمع و جور در CERN ارائه می دهیم.ما مدل های AD ST را که بر اساس داده های جمع آوری شده از یک قسمت از یک کالری سنج به قسمت دیگر آموزش داده شده اند ، منتقل کرده ایم.ما پیکربندی های مختلفی از TL را در مورد خودروهای نیمه نظارتی از مدل های ST AD بررسی کرده ایم-انتقال شبکه های عصبی حلقوی ، نمودار و مکرر شبکه های رمزگذار و رمزگذار.نتایج آزمایش نشان می دهد که TL به طور مؤثر دقت یادگیری مدل را در یک زیر مجموعه هدف افزایش می دهد.TL به بازسازی داده های امیدوارکننده و عملکرد AD دست پیدا می کند در حالی که به طور قابل توجهی پارامترهای قابل آموزش مدل های AD را کاهش می دهد.همچنین باعث افزایش استحکام در برابر آلودگی ناهنجاری در مجموعه داده های آموزش مدلهای AD نیمه تحت نظارت می شود.

📚 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.