卷積圖網(wǎng)絡(luò)在粒子物理學(xué)中用于有效的事件建構(gòu)和分類.然而，如果應(yīng)用于傳感器層面的數(shù)據(jù)，它們的性能會(huì)受到現(xiàn)代粒子探測(cè)器中使用的大量傳感器的限制。.我們提出了一種池化方案，使用分區(qū)來創(chuàng)建圖上的池化核，類似于圖像上的池化。.分區(qū)池可以用來采用成功的圖像識(shí)別架構(gòu)，用于粒子物理學(xué)中的圖神經(jīng)網(wǎng)絡(luò)應(yīng)用.減少的計(jì)算資源允許更深入的網(wǎng)絡(luò)和更廣泛的超參數(shù)優(yōu)化。.為了顯示其適用性，我們構(gòu)建了一個(gè)具有分區(qū)池的演化圖網(wǎng)絡(luò)，為一個(gè)理想化的中微子探測(cè)器重建了模擬的交互頂點(diǎn)。.與沒有集合的類似網(wǎng)絡(luò)相比，集合網(wǎng)絡(luò)產(chǎn)生了更好的性能，并且更不容易出現(xiàn)過擬合。.較低的資源要求允許構(gòu)建一個(gè)更深的網(wǎng)絡(luò)，并進(jìn)一步提高性能。.
《Partition Pooling for Convolutional Graph Network Applications in Particle Physics》
論文地址:http://arxiv.org/abs/2208.05952v1
鄭重聲明：本文內(nèi)容及圖片均整理自互聯(lián)網(wǎng)，不代表本站立場(chǎng)，版權(quán)歸原作者所有，如有侵權(quán)請(qǐng)聯(lián)系管理員(admin#wlmqw.com)刪除。
