Buchumschlag

Particle Transformer for Jet Tagging

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Qu, Huilin, Li, Congqiao, Qian, Sitian
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	High Energy Physics - Phenomenology Machine Learning High Energy Physics - Experiment Data Analysis, Statistics and Probability
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Jet Tagging with More-Interaction Particle Transformer
von: Wu, Yifan, et al.
Veröffentlicht: (2024)

BUFF: Boosted Decision Tree based Ultra-Fast Flow matching
von: Jiang, Cheng, et al.
Veröffentlicht: (2024)

Does Lorentz-symmetric design boost network performance in jet physics?
von: Li, Congqiao, et al.
Veröffentlicht: (2022)

Interpreting Transformers for Jet Tagging
von: Wang, Aaron, et al.
Veröffentlicht: (2024)

SURFing to the Fundamental Limit of Jet Tagging
von: Pang, Ian, et al.
Veröffentlicht: (2025)

Neural Scaling Laws for Boosted Jet Tagging
von: Vigl, Matthias, et al.
Veröffentlicht: (2026)

The Fundamental Limit of Jet Tagging
von: Geuskens, Joep, et al.
Veröffentlicht: (2024)

Jet flavor tagging with Particle Transformer for Higgs factories
von: Suehara, Taikan, et al.
Veröffentlicht: (2026)

Cross-Domain Transfer with Particle Physics Foundation Models: From Jets to Neutrino Interactions
von: Krzmanc, Gregor, et al.
Veröffentlicht: (2026)

Flow Matching Beyond Kinematics: Generating Jets with Particle-ID and Trajectory Displacement Information
von: Birk, Joschka, et al.
Veröffentlicht: (2023)

Jet Image Tagging Using Deep Learning: An Ensemble Model
von: Bassa, Juvenal, et al.
Veröffentlicht: (2025)

Learning Symmetry-Independent Jet Representations via Jet-Based Joint Embedding Predictive Architecture
von: Katel, Subash, et al.
Veröffentlicht: (2024)

Accelerating Resonance Searches via Signature-Oriented Pre-training
von: Li, Congqiao, et al.
Veröffentlicht: (2024)

Neural Scaling Laws for Jet Generation
von: Amram, Oz, et al.
Veröffentlicht: (2026)

PanopTag: Simultaneously Tagging All Jets in a Particle Collision Event
von: Qureshi, Umar Sohail, et al.
Veröffentlicht: (2026)

OmniJet-$α$: The first cross-task foundation model for particle physics
von: Birk, Joschka, et al.
Veröffentlicht: (2024)

Double Descent and Overparameterization in Particle Physics Data
von: Vigl, Matthias, et al.
Veröffentlicht: (2025)

Robust Anomaly Detection for Particle Physics Using Multi-Background Representation Learning
von: Gandrakota, Abhijith, et al.
Veröffentlicht: (2024)

Why Is Attention Sparse In Particle Transformer?
von: Legge, Timothy, et al.
Veröffentlicht: (2025)

Masked Particle Modeling on Sets: Towards Self-Supervised High Energy Physics Foundation Models
von: Golling, Tobias, et al.
Veröffentlicht: (2024)

Seeing Double: Calibrating Two Jets at Once
von: Gambhir, Rikab, et al.
Veröffentlicht: (2024)

Reconstruction of boosted and resolved multi-Higgs-boson events with symmetry-preserving attention networks
von: Li, Haoyang, et al.
Veröffentlicht: (2024)

FAIR Universe HiggsML Uncertainty Dataset and Competition
von: Benato, Lisa, et al.
Veröffentlicht: (2024)

An unfolding method based on conditional Invertible Neural Networks (cINN) using iterative training
von: Backes, Mathias, et al.
Veröffentlicht: (2022)

Finetuning Foundation Models for Joint Analysis Optimization
von: Vigl, Matthias, et al.
Veröffentlicht: (2024)

Neural simulation-based inference of the Higgs trilinear self-coupling via off-shell Higgs production
von: Ghosh, Aishik, et al.
Veröffentlicht: (2025)

SIGMA: Single Interpolated Generative Model for Anomalies
von: Das, Ranit, et al.
Veröffentlicht: (2024)

How to pick the best anomaly detector?
von: Hein, Marie, et al.
Veröffentlicht: (2025)

KAN we improve on HEP classification tasks? Kolmogorov-Arnold Networks applied to an LHC physics example
von: Erdmann, Johannes, et al.
Veröffentlicht: (2024)

Contrastive Normalizing Flows for Uncertainty-Aware Parameter Estimation
von: Elsharkawy, Ibrahim, et al.
Veröffentlicht: (2025)

One flow to correct them all: improving simulations in high-energy physics with a single normalising flow and a switch
von: Daumann, Caio Cesar, et al.
Veröffentlicht: (2024)

Enhancing next token prediction based pre-training for jet foundation models
von: Birk, Joschka, et al.
Veröffentlicht: (2025)

Communicating Likelihoods with Normalising Flows
von: Araz, Jack Y., et al.
Veröffentlicht: (2025)

Moment Unfolding
von: Desai, Krish, et al.
Veröffentlicht: (2024)

Universal New Physics Latent Space
von: Hallin, Anna, et al.
Veröffentlicht: (2024)

Optimal Equivariant Architectures from the Symmetries of Matrix-Element Likelihoods
von: Maître, Daniel, et al.
Veröffentlicht: (2024)

Transforming Simulation to Data Without Pairing
von: Gendreau-Distler, Eli, et al.
Veröffentlicht: (2025)

Multiple testing for signal-agnostic searches of new physics with machine learning
von: Grosso, Gaia, et al.
Veröffentlicht: (2024)

Machine Learning-based Unfolding for Cross Section Measurements in the Presence of Nuisance Parameters
von: Zhu, Huanbiao, et al.
Veröffentlicht: (2025)

Amortized Inference of Multi-Modal Posteriors using Likelihood-Weighted Normalizing Flows
von: Baruah, Rajneil
Veröffentlicht: (2025)