higgs

  • Descrizione :

I dati sono stati prodotti utilizzando simulazioni Monte Carlo. Le prime 21 caratteristiche (colonne 2-22) sono proprietà cinematiche misurate dai rivelatori di particelle nell'acceleratore. Le ultime sette caratteristiche sono funzioni delle prime 21 caratteristiche; queste sono caratteristiche di alto livello derivate dai fisici per aiutare a discriminare tra le due classi. C'è un interesse nell'usare metodi di deep learning per ovviare alla necessità per i fisici di sviluppare manualmente tali caratteristiche. I risultati del benchmark utilizzando gli alberi decisionali bayesiani da un pacchetto di fisica standard e le reti neurali a 5 strati sono presentati nel documento originale.

Diviso Esempi
'train' 11.000.000
  • Struttura delle caratteristiche :
FeaturesDict({
    'class_label': float32,
    'jet_1_b-tag': float64,
    'jet_1_eta': float64,
    'jet_1_phi': float64,
    'jet_1_pt': float64,
    'jet_2_b-tag': float64,
    'jet_2_eta': float64,
    'jet_2_phi': float64,
    'jet_2_pt': float64,
    'jet_3_b-tag': float64,
    'jet_3_eta': float64,
    'jet_3_phi': float64,
    'jet_3_pt': float64,
    'jet_4_b-tag': float64,
    'jet_4_eta': float64,
    'jet_4_phi': float64,
    'jet_4_pt': float64,
    'lepton_eta': float64,
    'lepton_pT': float64,
    'lepton_phi': float64,
    'm_bb': float64,
    'm_jj': float64,
    'm_jjj': float64,
    'm_jlv': float64,
    'm_lv': float64,
    'm_wbb': float64,
    'm_wwbb': float64,
    'missing_energy_magnitude': float64,
    'missing_energy_phi': float64,
})
  • Documentazione delle funzionalità :
Caratteristica Classe Forma Tipo D Descrizione
CaratteristicheDict
etichetta_classe Tensore galleggiante32
jet_1_b-tag Tensore galleggiante64
jet_1_eta Tensore galleggiante64
jet_1_phi Tensore galleggiante64
jet_1_pt Tensore galleggiante64
jet_2_b-tag Tensore galleggiante64
jet_2_eta Tensore galleggiante64
jet_2_phi Tensore galleggiante64
jet_2_pt Tensore galleggiante64
jet_3_b-tag Tensore galleggiante64
jet_3_eta Tensore galleggiante64
jet_3_phi Tensore galleggiante64
jet_3_pt Tensore galleggiante64
jet_4_b-tag Tensore galleggiante64
jet_4_eta Tensore galleggiante64
jet_4_phi Tensore galleggiante64
jet_4_pt Tensore galleggiante64
lepton_eta Tensore galleggiante64
lepton_pT Tensore galleggiante64
lepton_phi Tensore galleggiante64
m_bb Tensore galleggiante64
m_jj Tensore galleggiante64
m_jjj Tensore galleggiante64
m_jlv Tensore galleggiante64
m_lv Tensore galleggiante64
m_wbb Tensore galleggiante64
m_wwbb Tensore galleggiante64
magnitudine_energia_mancante Tensore galleggiante64
energia_mancante_phi Tensore galleggiante64
  • Citazione :
@article{Baldi:2014kfa,
      author         = "Baldi, Pierre and Sadowski, Peter and Whiteson, Daniel",
      title          = "{Searching for Exotic Particles in High-Energy Physics
                        with Deep Learning}",
      journal        = "Nature Commun.",
      volume         = "5",
      year           = "2014",
      pages          = "4308",
      doi            = "10.1038/ncomms5308",
      eprint         = "1402.4735",
      archivePrefix  = "arXiv",
      primaryClass   = "hep-ph",
      SLACcitation   = "%%CITATION = ARXIV:1402.4735;%%"
}
,

  • Descrizione :

I dati sono stati prodotti utilizzando simulazioni Monte Carlo. Le prime 21 caratteristiche (colonne 2-22) sono proprietà cinematiche misurate dai rivelatori di particelle nell'acceleratore. Le ultime sette caratteristiche sono funzioni delle prime 21 caratteristiche; queste sono caratteristiche di alto livello derivate dai fisici per aiutare a discriminare tra le due classi. C'è un interesse nell'usare metodi di deep learning per ovviare alla necessità per i fisici di sviluppare manualmente tali caratteristiche. I risultati del benchmark utilizzando gli alberi decisionali bayesiani da un pacchetto di fisica standard e le reti neurali a 5 strati sono presentati nel documento originale.

Diviso Esempi
'train' 11.000.000
  • Struttura delle caratteristiche :
FeaturesDict({
    'class_label': float32,
    'jet_1_b-tag': float64,
    'jet_1_eta': float64,
    'jet_1_phi': float64,
    'jet_1_pt': float64,
    'jet_2_b-tag': float64,
    'jet_2_eta': float64,
    'jet_2_phi': float64,
    'jet_2_pt': float64,
    'jet_3_b-tag': float64,
    'jet_3_eta': float64,
    'jet_3_phi': float64,
    'jet_3_pt': float64,
    'jet_4_b-tag': float64,
    'jet_4_eta': float64,
    'jet_4_phi': float64,
    'jet_4_pt': float64,
    'lepton_eta': float64,
    'lepton_pT': float64,
    'lepton_phi': float64,
    'm_bb': float64,
    'm_jj': float64,
    'm_jjj': float64,
    'm_jlv': float64,
    'm_lv': float64,
    'm_wbb': float64,
    'm_wwbb': float64,
    'missing_energy_magnitude': float64,
    'missing_energy_phi': float64,
})
  • Documentazione delle funzionalità :
Caratteristica Classe Forma Tipo D Descrizione
CaratteristicheDict
etichetta_classe Tensore galleggiante32
jet_1_b-tag Tensore galleggiante64
jet_1_eta Tensore galleggiante64
jet_1_phi Tensore galleggiante64
jet_1_pt Tensore galleggiante64
jet_2_b-tag Tensore galleggiante64
jet_2_eta Tensore galleggiante64
jet_2_phi Tensore galleggiante64
jet_2_pt Tensore galleggiante64
jet_3_b-tag Tensore galleggiante64
jet_3_eta Tensore galleggiante64
jet_3_phi Tensore galleggiante64
jet_3_pt Tensore galleggiante64
jet_4_b-tag Tensore galleggiante64
jet_4_eta Tensore galleggiante64
jet_4_phi Tensore galleggiante64
jet_4_pt Tensore galleggiante64
lepton_eta Tensore galleggiante64
lepton_pT Tensore galleggiante64
lepton_phi Tensore galleggiante64
m_bb Tensore galleggiante64
m_jj Tensore galleggiante64
m_jjj Tensore galleggiante64
m_jlv Tensore galleggiante64
m_lv Tensore galleggiante64
m_wbb Tensore galleggiante64
m_wwbb Tensore galleggiante64
magnitudine_energia_mancante Tensore galleggiante64
energia_mancante_phi Tensore galleggiante64
  • Citazione :
@article{Baldi:2014kfa,
      author         = "Baldi, Pierre and Sadowski, Peter and Whiteson, Daniel",
      title          = "{Searching for Exotic Particles in High-Energy Physics
                        with Deep Learning}",
      journal        = "Nature Commun.",
      volume         = "5",
      year           = "2014",
      pages          = "4308",
      doi            = "10.1038/ncomms5308",
      eprint         = "1402.4735",
      archivePrefix  = "arXiv",
      primaryClass   = "hep-ph",
      SLACcitation   = "%%CITATION = ARXIV:1402.4735;%%"
}