通过迁移学习利用喷注标记器的普适性
高能物理 - 唯象学
2022-07-13 v1 计算机视觉与模式识别
机器学习
高能物理 - 实验
摘要
通过机器学习技术标记 boosted 对象的一个重大挑战是训练复杂模型所带来的高昂计算成本。然而，QCD 的普适性表明，训练中所学到的大量信息对于不同物理信号与实验设置是共通的。在本文中，我们探索使用迁移学习技术来开发快速且数据高效的喷注标记器，以利用这种普适性。我们考虑图神经网络 LundNet 和 ParticleNet，并引入两种将已有标记器迁移到新信号上的方案，分别基于微调模型全部权重或冻结其中一部分权重。在 玻色子与顶夸克标记的情形中，我们发现可使用少一个数量级的数据获得可靠的标记器，并相应加速训练过程。此外，在保持训练数据集大小不变时，我们观察到训练加速最高达三倍。这为促进此类工具在對撞机物理实验中的应用提供了一条有前景的途径。
引用
@article{arxiv.2203.06210,
title = {Leveraging universality of jet taggers through transfer learning},
author = {Frédéric A. Dreyer and Radosław Grabarczyk and Pier Francesco Monni},
journal= {arXiv preprint arXiv:2203.06210},
year = {2022}
}
备注
10 pages, 2 tables, 5 figures