寻找 NEEMo：使用能量移动距离神经估计的几何拟合
机器学习
2022-10-03 v1 机器学习
高能物理 - 实验
高能物理 - 唯象学
摘要
最近开发了一种新颖的神经架构，它通过以最小方式约束模型权重的范数来强制对模型的 Lipschitz 常数施加精确的上界，与其他技术相比具有更高的表达性。我们为这一架构提出了一个新颖且有趣的方向：通过采用 Kantorovich-Rubinstein 对偶性来估计最优传输中的 Wasserstein 度量（Earth Mover's Distance），以使其能用于几何拟合应用。具体而言，我们聚焦于高能粒子物理领域，其中已表明可以基于 Wasserstein 度量定义粒子对撞机事件空间的度量，称为能量移动距离（EMD）。这种度量化有潜力革新数据驱动的对撞机现象学。本文工作通过提供直接计算 EMD 的可微方式，成为实现该目标的重要一步。我们展示了我们的方法所赋予的灵活性如何被用于开发新颖的聚类算法。
引用
@article{arxiv.2209.15624,
title = {Finding NEEMo: Geometric Fitting using Neural Estimation of the Energy Mover's Distance},
author = {Ouail Kitouni and Niklas Nolte and Mike Williams},
journal= {arXiv preprint arXiv:2209.15624},
year = {2022}
}
备注
5 pages, 4 figures