The Machine Learning landscape of top taggers - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue SciPost Phys. Année : 2019

The Machine Learning landscape of top taggers

Gregor Kasieczka
  • Fonction : Auteur
Tilman Plehn
  • Fonction : Auteur
Anja Butter
  • Fonction : Auteur
Kyle Cranmer
  • Fonction : Auteur
Dipsikha Debnath
  • Fonction : Auteur
Barry M. Dillon
  • Fonction : Auteur
Malcolm Fairbairn
  • Fonction : Auteur
Darius A. Faroughy
  • Fonction : Auteur
Wojtek Fedorko
  • Fonction : Auteur
Christophe Gay
  • Fonction : Auteur
Loukas Gouskos
  • Fonction : Auteur
Jernej Fesel Kamenik
  • Fonction : Auteur
Patrick T. Komiske
  • Fonction : Auteur
Simon Leiss
  • Fonction : Auteur
Alison Lister
  • Fonction : Auteur
Sebastian Macaluso
  • Fonction : Auteur
Eric Metodiev
  • Fonction : Auteur
Liam Moore
  • Fonction : Auteur
Benjamin Nachman
  • Fonction : Auteur
Jannicke Pearkes
  • Fonction : Auteur
Huilin Qu
  • Fonction : Auteur
Yannik Rath
  • Fonction : Auteur
Marcel Rieger
  • Fonction : Auteur
David Shih
  • Fonction : Auteur
Jennifer Thompson
  • Fonction : Auteur
Sreedevi Varma
  • Fonction : Auteur

Résumé

Based on the established task of identifying boosted, hadronically decaying top quarks, we compare a wide range of modern machine learning approaches. Unlike most established methods they rely on low-level input, for instance calorimeter output. While their network architectures are vastly different, their performance is comparatively similar. In general, we find that these new approaches are extremely powerful and great fun.

Dates et versions

hal-02066924 , version 1 (13-03-2019)

Identifiants

Citer

Gregor Kasieczka, Tilman Plehn, Anja Butter, Kyle Cranmer, Dipsikha Debnath, et al.. The Machine Learning landscape of top taggers. SciPost Phys., 2019, 7, pp.014. ⟨10.21468/SciPostPhys.7.1.014⟩. ⟨hal-02066924⟩
296 Consultations
0 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More