对 W 喷注学习表示的探索
高能物理 - 唯象学
2022-04-20 v3 机器学习
高能物理 - 实验
摘要
我提出了一个在对撞机物理数据（具体为增强的 喷注）上训练的变分自编码器（VAE），其重建误差由输入与输出喷注之间地球移动距离（EMD）的近似给出。该 VAE 学习了数据流形的具体表示，具有语义上有意义且可解释的潜空间方向，这些方向根据其与底层物理生成过程中物理 EMD 尺度的关系被分层组织。潜空间结构随分辨率超参数的变化提供了对数据集尺度依赖结构及其信息复杂度的洞察。我引入了从该标度计算的所学表示维度的两种度量。
引用
@article{arxiv.2109.10919,
title = {An Exploration of Learnt Representations of W Jets},
author = {Jack H. Collins},
journal= {arXiv preprint arXiv:2109.10919},
year = {2022}
}
备注
Published version, to appear in ICLR workshop Deep Generative Models for Highly Structured Data. Additional appendices