Publicação
Advanced machine learning techniques in rare events research at the Large Hadron Collider
| Resumo: | Há ainda várias questões acerca do universo às quais ainda não temos resposta. É fundamental estudarmos e melhorarmos as técnicas já conhecidas, bem como desenvolver novas técnicas, de forma a investigar e descobrir novos fenómenos de física. Neste trabalho, foram utilizadas técnicas de machine learning tais como boosted decision trees e autoencoders. As boosted decision trees foram utilizadas como métodos de machine learning supervisionado, enquanto que os autoencoders foram utilizados como métodos de deteção de anomalias. Foi feita uma comparação entre a AUC dos resultados da boosted decision tree, dos autoencoders e das features, sem estas terem passado por nenhum modelo. Já com os autoencoders foi feito outro estudo - a dimensão do espaço latente afeta a deteção do sinal? Foi feito um estudo em várias dimensões do espaço latente e foi calculada a AUC para visualizar este efeito. Os resultados da boosted decision tree foram melhores que os resultados dos autoencoders, porém utilizar autoencoders foi melhor do que não utilizar nada - a AUC dos autoencoders foi melhor que a AUC das features. Além disso, a escolha do espaço latente tem que ser tomada em conta visto que há dimensões mais sensíveis a certos tipos de sinais. |
|---|---|
| Autores principais: | Neiva, Maria do Céu Vale Lopes |
| Assunto: | Aprendizagem automática Árvores de decisão Codificadores automáticos Deteção de anomalias Dimensão do espaço latente Anomaly detection Autoencoders Decision tree Latent space dimension Machine learning |
| Ano: | 2023 |
| País: | Portugal |
| Tipo de documento: | dissertação de mestrado |
| Tipo de acesso: | acesso aberto |
| Instituição associada: | Universidade do Minho |
| Idioma: | inglês |
| Origem: | RepositóriUM - Universidade do Minho |
| Resumo: | Há ainda várias questões acerca do universo às quais ainda não temos resposta. É fundamental estudarmos e melhorarmos as técnicas já conhecidas, bem como desenvolver novas técnicas, de forma a investigar e descobrir novos fenómenos de física. Neste trabalho, foram utilizadas técnicas de machine learning tais como boosted decision trees e autoencoders. As boosted decision trees foram utilizadas como métodos de machine learning supervisionado, enquanto que os autoencoders foram utilizados como métodos de deteção de anomalias. Foi feita uma comparação entre a AUC dos resultados da boosted decision tree, dos autoencoders e das features, sem estas terem passado por nenhum modelo. Já com os autoencoders foi feito outro estudo - a dimensão do espaço latente afeta a deteção do sinal? Foi feito um estudo em várias dimensões do espaço latente e foi calculada a AUC para visualizar este efeito. Os resultados da boosted decision tree foram melhores que os resultados dos autoencoders, porém utilizar autoencoders foi melhor do que não utilizar nada - a AUC dos autoencoders foi melhor que a AUC das features. Além disso, a escolha do espaço latente tem que ser tomada em conta visto que há dimensões mais sensíveis a certos tipos de sinais. |
|---|