将物理启发特征与图卷积相融合

随着先进机器学习技术的出现，boosted object tagging 取得了显著进展。在本文中，我们通过引入与多种图神经网络（GNN）架构兼容的新型架构修改，进一步推动了该领域的发展。我们的方法主张集成胶囊层，以替代标准 GNN 中传统的解码块。这些胶囊是一组具有向量激活的神经元。这些向量的方向代表了所研究对象的重要属性，其大小则表征了所研究对象是否属于该胶囊所代表的类别。此外，胶囊网络结合了基于重建的正则化机制，促进了将专家设计的高层特征无缝集成到分析中。我们研究了我们的架构在 LorentzNet 架构下用于夸克-胶子标记的有效性。在此，我们将 LorentzNet 的解码块替换为胶囊化解码块，并将所得架构称为 CapsLorentzNet。我们的新架构在夸克-胶子标记任务上可将 LorentzNet 的性能提升 20%。