Buchumschlag

A Step Toward Interpretability: Smearing the Likelihood

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Larkoski, Andrew J.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	High Energy Physics - Phenomenology Machine Learning High Energy Physics - Experiment
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Systematic Interpretability and the Likelihood for Boosted Top Quark Identification
von: Larkoski, Andrew J.
Veröffentlicht: (2024)

Systematically Constructing the Likelihood for Boosted $H\to gg$ Decays
von: Larkoski, Andrew J.
Veröffentlicht: (2024)

Non-Gaussianities in Collider Metric Binning
von: Larkoski, Andrew J.
Veröffentlicht: (2025)

Factorization for Collider Dataspace Correlators
von: Larkoski, Andrew J.
Veröffentlicht: (2025)

Flavor-Changing Non-Global Logarithms
von: Larkoski, Andrew J.
Veröffentlicht: (2025)

Binary Discrimination Through Next-to-Leading Order
von: Larkoski, Andrew J.
Veröffentlicht: (2023)

QCD Masterclass Lectures on Jet Physics and Machine Learning
von: Larkoski, Andrew J.
Veröffentlicht: (2024)

Flavor Factorization at Two-Loops
von: Larkoski, Andrew J.
Veröffentlicht: (2024)

SPECTER: Efficient Evaluation of the Spectral EMD
von: Gambhir, Rikab, et al.
Veröffentlicht: (2024)

Flavor Fragmentation Function Factorization
von: Larkoski, Andrew J., et al.
Veröffentlicht: (2023)

The Phase Space Distance Between Collider Events
von: Cai, Tianji, et al.
Veröffentlicht: (2024)

Analytical Insights on Hadronic Top Quark Polarimetry
von: Dong, Zhongtian, et al.
Veröffentlicht: (2024)

Hadronic Top Quark Polarimetry with ParticleNet
von: Dong, Zhongtian, et al.
Veröffentlicht: (2024)

Dissecting Jet-Tagger Through Mechanistic Interpretability
von: Rai, Saurabh, et al.
Veröffentlicht: (2026)

The Multiplicity Scaling of the Fragmentation Function
von: Kang, Zhong-Bo, et al.
Veröffentlicht: (2023)

Stable and Interpretable Jet Physics with IRC-Safe Equivariant Feature Extraction
von: Konar, Partha, et al.
Veröffentlicht: (2025)

Is infrared-collinear safe information all you need for jet classification?
von: Athanasakos, Dimitrios, et al.
Veröffentlicht: (2023)

Decorrelation using Optimal Transport
von: Algren, Malte, et al.
Veröffentlicht: (2023)

Bumblebee: Foundation Model for Particle Physics Discovery
von: Wildridge, Andrew J., et al.
Veröffentlicht: (2024)

$ν^2$-Flows: Fast and improved neutrino reconstruction in multi-neutrino final states with conditional normalizing flows
von: Raine, John Andrew, et al.
Veröffentlicht: (2023)

PC-Droid: Faster diffusion and improved quality for particle cloud generation
von: Leigh, Matthew, et al.
Veröffentlicht: (2023)

PIPPIN: Generating variable length full events from partons
von: Quétant, Guillaume, et al.
Veröffentlicht: (2024)

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

PC-JeDi: Diffusion for Particle Cloud Generation in High Energy Physics
von: Leigh, Matthew, et al.
Veröffentlicht: (2023)

A Language Model for Particle Tracking
von: Huang, Andris, et al.
Veröffentlicht: (2024)

A Lorentz-Equivariant Transformer for All of the LHC
von: Brehmer, Johann, et al.
Veröffentlicht: (2024)

SEAL - A Symmetry EncourAging Loss for High Energy Physics
von: Hebbar, Pradyun, et al.
Veröffentlicht: (2025)

EveNet: A Foundation Model for Particle Collision Data Analysis
von: Hsu, Ting-Hsiang, et al.
Veröffentlicht: (2026)

HEP-JEPA: A foundation model for collider physics using joint embedding predictive architecture
von: Bardhan, Jai, et al.
Veröffentlicht: (2025)

From Information Geometry to Jet Substructure: A Triality of Cumulant Tensors, Energy Correlators, and Hypergraphs
von: Bal, Aritra, et al.
Veröffentlicht: (2026)

PCN: A Deep Learning Approach to Jet Tagging Utilizing Novel Graph Construction Methods and Chebyshev Graph Convolutions
von: Semlani, Yash, et al.
Veröffentlicht: (2023)

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

Explainable AI for Jet Tagging: A Comparative Study of GNNExplainer, GNNShap, and GradCAM for Jet Tagging in the Lund Jet Plane
von: Patel, Pahal D., et al.
Veröffentlicht: (2026)

TRANSIT your events into a new mass: Fast background interpolation for weakly-supervised anomaly searches
von: Oleksiyuk, Ivan, et al.
Veröffentlicht: (2025)

The Pareto Frontier of Resilient Jet Tagging
von: Gambhir, Rikab, et al.
Veröffentlicht: (2025)

E-PCN: Jet Tagging with Explainable Particle Chebyshev Networks Using Kinematic Features
von: Islam, Md Raqibul, et al.
Veröffentlicht: (2025)

Learning to Validate Generative Models: a Goodness-of-Fit Approach
von: Cappelli, Pietro, et al.
Veröffentlicht: (2025)

Simulation-Prior Independent Neural Unfolding Procedure
von: Butter, Anja, et al.
Veröffentlicht: (2025)

BitHEP -- The Limits of Low-Precision ML in HEP
von: Krause, Claudius, et al.
Veröffentlicht: (2025)

Tagging fully hadronic exotic decays of the vectorlike $\mathbf{B}$ quark using a graph neural network
von: Bardhan, Jai, et al.
Veröffentlicht: (2025)