Binary JUNIPR：一种用于判别的可解释概率模型
高能物理 - 唯象学
2019-11-06 v1
摘要
JUNIPR 是粒子物理中一种无监督学习方法，围绕喷注作为二叉树的表示构建喷注的概率模型。可为不同事例或喷注类型学习独立的 JUNIPR 模型，然后进行比较和探索以获取物理见解。相对概率也可用于判别。在本文中，我们展示了如何在分类背景下精炼独立模型的训练以优化判别能力。我们将这种精炼方法称为 Binary JUNIPR。Binary JUNIPR 在夸克/胶子判别和顶夸克标记方面达到了最先进性能。随后可分析训练好的模型，以提供关于分类如何实现的物理见解。作为示例，我们探索了夸克与胶子喷注之间以及用两种不同模拟生成的胶子喷注之间的差异。
引用
@article{arxiv.1906.10137,
title = {Binary JUNIPR: an interpretable probabilistic model for discrimination},
author = {Anders Andreassen and Ilya Feige and Christopher Frye and Matthew D. Schwartz},
journal= {arXiv preprint arXiv:1906.10137},
year = {2019}
}
备注
6 pages, 3 figures