卷積圖網絡在粒子物理學中用于有效的事件建構和分類.然而，如果應用于傳感器層面的數據，它們的性能會受到現(xiàn)代粒子探測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別架構，用于粒子物理學中的圖神經網絡應用.減少的計算資源允許更深入的網絡和更廣泛的超參數優(yōu)化。.為了顯示其適用性，我們構建了一個具有分區(qū)池的演化圖網絡，為一個理想化的中微子探測器重建了模擬的交互頂點。.與沒有集合的類似網絡相比，集合網絡產生了更好的性能，并且更不容易出現(xiàn)過擬合。.較低的資源要求允許構建一個更深的網絡，并進一步提高性能。.
《Partition Pooling for Convolutional Graph Network Applications in Particle Physics》
論文地址:http://arxiv.org/abs/2208.05952v1
鄭重聲明：本文內容及圖片均整理自互聯(lián)網，不代表本站立場，版權歸原作者所有，如有侵權請聯(lián)系管理員(admin#wlmqw.com)刪除。
