> 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

Literatur-
verwaltung

Zur
Merkliste

Lösche von
Merkliste

Per Whatsapp teilen

Schließen

Merkliste



Sie können Bookmarks mittels Listen verwalten, loggen Sie sich dafür bitte in Ihr SLUB Benutzerkonto ein.
  • 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