Retrieval of Boost Invariant Symbolic Observables via Feature Importance

要約

高エネルギー物理学におけるジェットタグ付けのための深層学習アプローチは、重要な特徴的な観測値を抽出することが困難な大量の情報を処理するブラックボックスとして特徴付けられます。
この議事では、深層学習アプローチの代替となるブースト不変多項式を紹介します。これにより、特定のタスクの最も重要な特徴を表す単純な分析式を直接分析できるようになります。
さらに、このアプローチが、物理的に関連する観測値を効率的に識別することを表す最小限の特徴セットを備えた極めて低次元の分類器を提供する方法と、その結果、完全な情報を使用するアルゴリズムに比較的近いパフォーマンスでアルゴリズムの実行を高速化する方法を示します。

要約(オリジナル)

Deep learning approaches for jet tagging in high-energy physics are characterized as black boxes that process a large amount of information from which it is difficult to extract key distinctive observables. In this proceeding, we present an alternative to deep learning approaches, Boost Invariant Polynomials, which enables direct analysis of simple analytic expressions representing the most important features in a given task. Further, we show how this approach provides an extremely low dimensional classifier with a minimum set of features representing %effective discriminating physically relevant observables and how it consequently speeds up the algorithm execution, with relatively close performance to the algorithm using the full information.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google