通过基于喷气对的联合嵌入预测架构学习无对称性喷气表示
高能物理 - 唯象学
2024-12-13 v1 机器学习
高能物理 - 实验
数据分析、统计与概率
摘要
在高能物理中，自监督学习（SSL）方法有望在无需为各种任务（包括与喷气相关的任务）创建标记数据集的情况下，有助于创建机器学习模型。本研究引入了一种通过喷气联合嵌入预测架构（J-JEPA）学习喷气表示的方法，该方法旨�从具有信息的上下文中预测各种物理目标。由于我们的方法无需手工制作数据增强，J-JEPA避免了其他常见SSL技术会引入的偏见。由于不同任务通常需要针对不同数据增强实现不变性，这种无需手工制作数据增强的训练使其具有多任务应用潜力，为实现跨任务基础模型提供了路径。我们对J-JEPA学习的表示进行微调，用于喷气标记并将其与任务特定表示进行基准测试。
引用
@article{arxiv.2412.05333,
title = {Learning Symmetry-Independent Jet Representations via Jet-Based Joint Embedding Predictive Architecture},
author = {Subash Katel and Haoyang Li and Zihan Zhao and Raghav Kansal and Farouk Mokhtar and Javier Duarte},
journal= {arXiv preprint arXiv:2412.05333},
year = {2024}
}
备注
5 pages, 2 figures. Accepted to Machine Learning for Physical Sciences NeurIPS 2024 workshop