Buchumschlag

Moment Unfolding

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Desai, Krish, Nachman, Benjamin, Thaler, Jesse
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	High Energy Physics - Phenomenology High Energy Physics - Experiment Data Analysis, Statistics and Probability Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Isolating Unisolated Upsilons with Anomaly Detection in CMS Open Data
von: Gambhir, Rikab, et al.
Veröffentlicht: (2025)

Tools for Unbinned Unfolding
von: Milton, Ryan, et al.
Veröffentlicht: (2025)

Frequentist Uncertainties on Neural Density Ratios with wifi Ensembles
von: Benevedes, Sean, et al.
Veröffentlicht: (2025)

Unbinned Inference with Correlated Events
von: Desai, Krish, et al.
Veröffentlicht: (2025)

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

Machine Learning-Assisted Unfolding for Neutrino Cross-section Measurements with the OmniFold Technique
von: Huang, Roger G., et al.
Veröffentlicht: (2025)

Multidimensional Deconvolution with Profiling
von: Zhu, Huanbiao, et al.
Veröffentlicht: (2024)

A Practical Guide to Unbinned Unfolding
von: Canelli, Florencia, et al.
Veröffentlicht: (2025)

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

FlexCAST: Enabling Flexible Scientific Data Analyses
von: Nachman, Benjamin, et al.
Veröffentlicht: (2025)

Searching for Anomalies with Foundation Models
von: Mikuni, Vinicius, et al.
Veröffentlicht: (2026)

Stay Positive: Neural Refinement of Sample Weights
von: Nachman, Benjamin, et al.
Veröffentlicht: (2025)

Anomaly Detection in Collider Physics via Factorized Observables
von: Metodiev, Eric M., et al.
Veröffentlicht: (2023)

Look everywhere effects in anomaly detection
von: Hein, Marie, et al.
Veröffentlicht: (2025)

Non-resonant Anomaly Detection with Background Extrapolation
von: Bai, Kehang, et al.
Veröffentlicht: (2023)

Many Wrongs Make a Right: Leveraging Biased Simulations Towards Unbiased Parameter Inference
von: Alvarez, Ezequiel, et al.
Veröffentlicht: (2026)

QCD Theory meets Information Theory
von: Assi, Benoît, et al.
Veröffentlicht: (2025)

Stabilizing Neural Likelihood Ratio Estimation
von: Acosta, Fernando Torales, et al.
Veröffentlicht: (2025)

Parton Labeling without Matching: Unveiling Emergent Labelling Capabilities in Regression Models
von: Qiu, Shikai, et al.
Veröffentlicht: (2023)

Unfolding without Iterations, Adversaries, or Surrogates
von: Ore, Ayodele, et al.
Veröffentlicht: (2026)

Unifying Simulation and Inference with Normalizing Flows
von: Du, Haoxing, et al.
Veröffentlicht: (2024)

Parnassus: An Automated Approach to Accurate, Precise, and Fast Detector Simulation and Reconstruction
von: Dreyer, Etienne, et al.
Veröffentlicht: (2024)

Full Phase Space Resonant Anomaly Detection
von: Buhmann, Erik, et al.
Veröffentlicht: (2023)

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

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

Lorentz-Equivariant Geometric Algebra Transformers for High-Energy Physics
von: Spinner, Jonas, et al.
Veröffentlicht: (2024)

Designing Observables for Measurements with Deep Learning
von: Long, Owen, et al.
Veröffentlicht: (2023)

Event-by-event Comparison between Machine-Learning- and Transfer-Matrix-based Unfolding Methods
von: Backes, Mathias, et al.
Veröffentlicht: (2023)

The Interplay of Machine Learning--based Resonant Anomaly Detection Methods
von: Golling, Tobias, et al.
Veröffentlicht: (2023)

Learning Likelihood Ratios with Neural Network Classifiers
von: Rizvi, Shahzar, et al.
Veröffentlicht: (2023)

Towards Universal Unfolding of Detector Effects in High-Energy Physics using Denoising Diffusion Probabilistic Models
von: Pazos, Camila, et al.
Veröffentlicht: (2024)

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

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

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

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

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

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

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