DisCo Fever：通过距离相关性实现稳健的网络
高能物理 - 唯象学
2020-10-02 v2 高能物理 - 实验
数据分析、统计与概率
摘要
尽管深度学习在 LHC 及更广领域的监督分类任务中已被证明极为成功，但在实际应用中，原始分类准确率往往并非唯一考量。一个关键问题是网络预测的稳定性，无论是相对于输入数据单个特征的变化，还是针对系统性扰动。我们提出了一种基于“距离相关性”（DisCo）新颖应用的新方法，距离相关性是一种量化非线性相关性的度量，该方法取得了与最先进对抗去相关网络同等的性能，但训练更为简单且稳定。为证明方法的有效性，我们细致地将近期一项 ATLAS 关于去相关方法应用于 boosted 强子 W 标记的研究重新阐释。我们还展示了 DisCo 正则化对于更强大的卷积神经网络以及强子顶标记问题的可行性。
引用
@article{arxiv.2001.05310,
title = {DisCo Fever: Robust Networks Through Distance Correlation},
author = {Gregor Kasieczka and David Shih},
journal= {arXiv preprint arXiv:2001.05310},
year = {2020}
}
备注
9 pages, v2: essentially the journal version (refs added, typos fixed, minor improvements)