用于喷注标记的等变能量流网络

利用深度学习的喷注标记技术在高能对撞机物理分析中展现出巨大潜力。其中一种方法是能量流网络（EFN）——一种近期引入的神经网络架构，它将喷注表示为粒子动量的置换不变集合，同时保持红外与共线安全性。我们基于 Deep Sets 形式体系开发了能量流网络架构的一个变体，引入了置换等变层。我们推导了可保持红外与共线安全性的条件，并在 W 玻色子标记这一典型例子上研究了这些网络的性能。我们发现等变能量流网络具有与粒子流网络相似的性能，而后者优于标准 EFN。然而，等变粒子流网络存在收敛与过拟合问题。最后，我们研究了等变网络如何雕琢喷注质量，并给出了一些利用 planing 去关联的初始结果。