Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Comparison of machine learning approach to other commonly used unfolding methods

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989592%3A15310%2F21%3A73607798" target="_blank" >RIV/61989592:15310/21:73607798 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://www.actaphys.uj.edu.pl/fulltext?series=Reg&vol=52&page=863" target="_blank" >https://www.actaphys.uj.edu.pl/fulltext?series=Reg&vol=52&page=863</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.5506/APhysPolB.52.863" target="_blank" >10.5506/APhysPolB.52.863</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Comparison of machine learning approach to other commonly used unfolding methods

  • Popis výsledku v původním jazyce

    Unfolding in high energy physics represents the correction of measured spectra in data for the finite detector efficiency, acceptance, and resolution from the detector to particle level. Recent machine learning approaches provide unfolding on an event-by-event basis allowing to simultaneously unfold a large number of variables and thus to cover a wider region of the features that affect detector response. This study focuses on a simple comparison of commonly used methods in RooUnfold package to the machine learning package OmniFold.

  • Název v anglickém jazyce

    Comparison of machine learning approach to other commonly used unfolding methods

  • Popis výsledku anglicky

    Unfolding in high energy physics represents the correction of measured spectra in data for the finite detector efficiency, acceptance, and resolution from the detector to particle level. Recent machine learning approaches provide unfolding on an event-by-event basis allowing to simultaneously unfold a large number of variables and thus to cover a wider region of the features that affect detector response. This study focuses on a simple comparison of commonly used methods in RooUnfold package to the machine learning package OmniFold.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

  • OECD FORD obor

    10303 - Particles and field physics

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA19-21484S" target="_blank" >GA19-21484S: Nové techniky rekonstrukce boostovaných top kvarků pro hledání nové fyziky na LHC</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2021

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    ACTA PHYSICA POLONICA B

  • ISBN

  • ISSN

    0587-4254

  • e-ISSN

    1509-5770

  • Počet stran výsledku

    7

  • Strana od-do

    863-869

  • Název nakladatele

    Jagiellonian University Press

  • Místo vydání

    Krakow

  • Místo konání akce

    Krakow, POLAND

  • Datum konání akce

    7. 1. 2021

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku

    000677592400002