| Online-Ressource |
Verfasst von: | Butter, Anja [VerfasserIn]  |
| Diefenbacher, Sascha [VerfasserIn]  |
| Kasieczka, Gregor [VerfasserIn]  |
| Nachman, Benjamin [VerfasserIn]  |
| Plehn, Tilman [VerfasserIn]  |
| Shih, David [VerfasserIn]  |
| Winterhalder, Ramon [VerfasserIn]  |
Titel: | Ephemeral learning |
Titelzusatz: | augmenting triggers with online-trained normalizing flows |
Verf.angabe: | Anja Butter, Sascha Diefenbacher, Gregor Kasieczka, Benjamin Nachman, Tilman Plehn, David Shih, and Ramon Winterhalder |
Ausgabe: | Version v2 |
E-Jahr: | 2022 |
Jahr: | 28 Jun 2022 |
Umfang: | 17 S. |
Fussnoten: | Version 1 vom 28 Junuar 2022, Version 2 vom 18 Februar 2022 ; Gesehen am 15.09.2022 |
Titel Quelle: | Enthalten in: De.arxiv.org |
Ort Quelle: | [S.l.] : Arxiv.org, 1991 |
Jahr Quelle: | 2022 |
Band/Heft Quelle: | (2022), Artikel-ID 2202.09375, Seite 1-17 |
Abstract: | The large data rates at the LHC require an online trigger system to select relevant collisions. Rather than compressing individual events, we propose to compress an entire data set at once. We use a normalizing flow as a deep generative model to learn the probability density of the data online. The events are then represented by the generative neural network and can be inspected offline for anomalies or used for other analysis purposes. We demonstrate our new approach for a toy model and a correlation-enhanced bump hunt. |
DOI: | doi:10.48550/arXiv.2202.09375 |
URL: | Bitte beachten Sie: Dies ist ein Bibliographieeintrag. Ein Volltextzugriff für Mitglieder der Universität besteht hier nur, falls für die entsprechende Zeitschrift/den entsprechenden Sammelband ein Abonnement besteht oder es sich um einen OpenAccess-Titel handelt.
Volltext ; Verlag: https://doi.org/10.48550/arXiv.2202.09375 |
| Volltext: http://arxiv.org/abs/2202.09375 |
| DOI: https://doi.org/10.48550/arXiv.2202.09375 |
Datenträger: | Online-Ressource |
Sprache: | eng |
Sach-SW: | High Energy Physics - Experiment |
| High Energy Physics - Phenomenology |
| Physics - Data Analysis, Statistics and Probability |
K10plus-PPN: | 1808509773 |
Verknüpfungen: | → Sammelwerk |