> Detailanzeige
CMS Collaboration
[VerfasserIn];
Sirunyan, A. M.
[VerfasserIn];
Tumasyan, A.
[VerfasserIn];
Adam, W.
[VerfasserIn];
Ambrogi, F.
[VerfasserIn];
Bergauer, T.
[VerfasserIn];
Dragicevic, M.
[VerfasserIn];
Erö, J.
[VerfasserIn];
Valle, A. Escalante Del
[VerfasserIn];
Flechl, M.
[VerfasserIn];
Frühwirth, R.
[VerfasserIn];
Jeitler, M.
[VerfasserIn];
Krammer, N.
[VerfasserIn];
Krätschmer, I.
[VerfasserIn];
Liko, D.
[VerfasserIn];
Madlener, T.
[VerfasserIn];
Mikulec, I.
[VerfasserIn];
Rad, N.
[VerfasserIn];
Schieck, J.
[VerfasserIn];
Schöfbeck, R.
[VerfasserIn];
Spanring, M.
[VerfasserIn];
Waltenberger, W.
[VerfasserIn];
Wulz, C.-E.
[VerfasserIn];
Zarucki, M.
[VerfasserIn];
[...]
Identification of heavy, energetic, hadronically decaying particles using machine-learning techniques
Teilen
Literatur-
verwaltung
Direktlink
Zur
Merkliste
Lösche von
Merkliste
Per Email teilen
Auf Twitter teilen
Auf Facebook teilen
Per Whatsapp teilen
- Medientyp: Sonstige Veröffentlichung; E-Artikel
- Titel: Identification of heavy, energetic, hadronically decaying particles using machine-learning techniques
- Beteiligte: CMS Collaboration [VerfasserIn]; Sirunyan, A. M. [VerfasserIn]; Tumasyan, A. [VerfasserIn]; Adam, W. [VerfasserIn]; Ambrogi, F. [VerfasserIn]; Bergauer, T. [VerfasserIn]; Dragicevic, M. [VerfasserIn]; Erö, J. [VerfasserIn]; Valle, A. Escalante Del [VerfasserIn]; Flechl, M. [VerfasserIn]; Frühwirth, R. [VerfasserIn]; Jeitler, M. [VerfasserIn]; Krammer, N. [VerfasserIn]; Krätschmer, I. [VerfasserIn]; Liko, D. [VerfasserIn]; Madlener, T. [VerfasserIn]; Mikulec, I. [VerfasserIn]; Rad, N. [VerfasserIn]; Schieck, J. [VerfasserIn]; Schöfbeck, R. [VerfasserIn]; Spanring, M. [VerfasserIn]; Waltenberger, W. [VerfasserIn]; Wulz, C.-E. [VerfasserIn]; Zarucki, M. [VerfasserIn]; [...]
- Erschienen: Institute of Physics Publishing Ltd, 2020-07-29
- Erschienen in: Journal of Instrumentation, 15 (06), P06005 ; ISSN: 1748-0221
- Sprache: Englisch
- DOI: https://doi.org/10.5445/IR/1000122256; https://doi.org/10.1088/1748-0221/15/06/P06005
- ISSN: 1748-0221
- Schlagwörter: DATA processing & computer science
- Entstehung:
-
Anmerkungen:
Diese Datenquelle enthält auch Bestandsnachweise, die nicht zu einem Volltext führen.
- Beschreibung: Machine-learning (ML) techniques are explored to identify and classify hadronic decays of highly Lorentz-boosted W/Z/Higgs bosons and top quarks. Techniques without ML have also been evaluated and are included for comparison. The identification performances of a variety of algorithms are characterized in simulated events and directly compared with data. The algorithms are validated using proton-proton collision data at √s = 13TeV, corresponding to an integrated luminosity of 35.9 fb−1. Systematic uncertainties are assessed by comparing the results obtained using simulation and collision data. The new techniques studied in this paper provide significant performance improvements over non-ML techniques, reducing the background rate by up to an order of magnitude at the same signal efficiency.
- Zugangsstatus: Freier Zugang