Buchumschlag

Transfer Learning Across Fast- and Full-Simulation Domains in High-Energy Physics

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Schott, Matthias, Flek, Lucie
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning High Energy Physics - Experiment
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning Minimal-Deviation Corrections for Multi-Dimensional Mismodelling in HEP Simulations
von: Schott, Matthias, et al.
Veröffentlicht: (2026)

Uncovering Hidden Systematics in Neural Network Models for High Energy Physics
von: Flek, Lucie, et al.
Veröffentlicht: (2026)

Enforcing Fundamental Relations via Adversarial Attacks on Input Parameter Correlations
von: Saala, Timo, et al.
Veröffentlicht: (2025)

Shapes are not enough: CONSERVAttack and its use for finding vulnerabilities and uncertainties in machine learning applications
von: Bechtle, Philip, et al.
Veröffentlicht: (2026)

Reduced Simulations for High-Energy Physics, a Middle Ground for Data-Driven Physics Research
von: Odyurt, Uraz, et al.
Veröffentlicht: (2023)

Transfer Learning for Neutrino Scattering: Domain Adaptation with GANs
von: Bonilla, Jose L., et al.
Veröffentlicht: (2025)

Versatile Energy-Based Probabilistic Models for High Energy Physics
von: Cheng, Taoli, et al.
Veröffentlicht: (2023)

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

Introduction to the Usage of Open Data from the Large Hadron Collider for Computer Scientists in the Context of Machine Learning
von: Saala, Timo, et al.
Veröffentlicht: (2025)

Federated Learning with Quantum Enhanced LSTM for Applications in High Energy Physics
von: Sawaika, Abhishek, et al.
Veröffentlicht: (2026)

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

Quantum Attention for Vision Transformers in High Energy Physics
von: Tesi, Alessandro, et al.
Veröffentlicht: (2024)

FAIR AI Models in High Energy Physics
von: Duarte, Javier, et al.
Veröffentlicht: (2022)

MiniFool -- Physics-Constraint-Aware Minimizer-Based Adversarial Attacks in Deep Neural Networks
von: Flek, Lucie, et al.
Veröffentlicht: (2025)

Locality-Sensitive Hashing-Based Efficient Point Transformer with Applications in High-Energy Physics
von: Miao, Siqi, et al.
Veröffentlicht: (2024)

Synthetic Data Generation with Lorenzetti for Time Series Anomaly Detection in High-Energy Physics Calorimeters
von: Boggia, Laura, et al.
Veröffentlicht: (2025)

Enhancing High-Energy Particle Physics Collision Analysis through Graph Data Attribution Techniques
von: Verdone, A., et al.
Veröffentlicht: (2024)

TrackFormers Part 2: Enhanced Transformer-Based Models for High-Energy Physics Track Reconstruction
von: Caron, Sascha, et al.
Veröffentlicht: (2025)

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

CaloChallenge 2022: A Community Challenge for Fast Calorimeter Simulation
von: Krause, Claudius, et al.
Veröffentlicht: (2024)

Training 3D ResNets to Extract BSM Physics Parameters from Simulated Data
von: Dubey, S., et al.
Veröffentlicht: (2023)

Re-Simulation-based Self-Supervised Learning for Pre-Training Foundation Models
von: Harris, Philip, et al.
Veröffentlicht: (2024)

CaloClouds: Fast Geometry-Independent Highly-Granular Calorimeter Simulation
von: Buhmann, Erik, et al.
Veröffentlicht: (2023)

Lorentz-Equivariant Quantum Graph Neural Network for High-Energy Physics
von: Jahin, Md Abrar, et al.
Veröffentlicht: (2024)

Comparing Generative Models with the New Physics Learning Machine
von: Grossi, Samuele, et al.
Veröffentlicht: (2025)

AI Agents Can Already Autonomously Perform Experimental High Energy Physics
von: Moreno, Eric A., et al.
Veröffentlicht: (2026)

A First Full Physics Benchmark for Highly Granular Calorimeter Surrogates
von: Buss, Thorsten, et al.
Veröffentlicht: (2025)

ML-based Fast Simulation of FARICH Responses
von: Shipilov, Foma, et al.
Veröffentlicht: (2026)

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

CaloClouds II: Ultra-Fast Geometry-Independent Highly-Granular Calorimeter Simulation
von: Buhmann, Erik, et al.
Veröffentlicht: (2023)

Discriminative versus Generative Approaches to Simulation-based Inference
von: Sluijter, Benjamin, et al.
Veröffentlicht: (2025)

A Full Quantum Generative Adversarial Network Model for High Energy Physics Simulations
von: Rehm, Florian, et al.
Veröffentlicht: (2023)

Ultra Fast Transformers on FPGAs for Particle Physics Experiments
von: Jiang, Zhixing, et al.
Veröffentlicht: (2024)

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

Modeling Uncertainties on the Z Boson Background in the Context of High Precision W Boson Mass Measurements
von: Boonekamp, Maarten, et al.
Veröffentlicht: (2025)

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

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

Human-in-the-loop Reinforcement Learning for Data Quality Monitoring in Particle Physics Experiments
von: Parra, Olivia Jullian, et al.
Veröffentlicht: (2024)

Improving $Λ$ Signal Extraction with Domain Adaptation via Normalizing Flows
von: Kelleher, Rowan, et al.
Veröffentlicht: (2024)

Full Event Particle-Level Unfolding with Variable-Length Latent Variational Diffusion
von: Shmakov, Alexander, et al.
Veröffentlicht: (2024)