在MINERvA实验中使用领域对抗神经网络减少深度学习分类器中的模型偏差
摘要：使用深度卷积神经网络（DCNNs）进行基于模拟的研究，以识别MINERvA被动靶区中的中微子相互作用顶点，并演示了在此背景下领域对抗神经网络（DANNs）的应用。DANNs旨在在一个域（模拟数据）中进行训练，但在第二个域（物理数据）中进行测试，并利用第二个域的无标签数据，以便在训练过程中只提升无法区分两个域之间特征的能力。MINERvA是一个利用Fermilab的NuMI波束线的中微子-核散射实验。与物理程序密切相关的A依赖截面是一个重要部分，而这些测量需要在复杂事件中找到顶点。为了说明DANN的影响，我们在DANN的训练过程中使用了一组修改后的模拟数据来替代物理数据，并在DANN的评估过程中使用了修改后的模拟数据的标签。我们发现，基于深度学习的方法在顶点的发现任务上相比于我们之前基于轨迹的重建方法具有显著优势，并且DANNs能够通过利用可用的无标签数据以及减轻训练中物理模型中的偏见而改善深度网络的性能下降。
作者：G. N. Perdue, A. Ghosh, M. Wospakrik, F. Akbar, D. A. Andrade, M. Ascencio, L. Bellantoni, A. Bercellie, M. Betancourt, G. F. R. Caceres Vera, T. Cai, M. F. Carneiro, J. Chaves, D. Coplowe, H. da Motta, G. A. D''iaz, J. Felix, L. Fields, R. Fine, A. M. Gago, R. Galindo, T. Golan, R. Gran, J. Y. Han, D. A. Harris, D. Jena, J. Kleykamp, M. Kordosky, X. G. Lu, E. Maher, W. A. Mann, C. M. Marshall, K. S. McFarland, A. M. McGowan, B. Messerly, J. Miller, J. K. Nelson, C. Nguyen, A. Norrick, Nuruzzaman, A. Olivier, R. Patton, M. A. Ram''irez, R. D. Ransome, H. Ray, L. Ren, D. Rimal, D. Ruterbories, H. Schellman, C. J. Solano Salinas, H. Su, S. Upadhyay, E. Valencia, J. Wolcott, B. Yaeggy, S. Young
论文ID：1808.08332
分类：Data Analysis, Statistics and Probability
分类简称：physics.data-an
提交时间：2018-11-30