Statistical Expectation of High Energy Physics Data Sets Separation Algorithms

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F13%3A00421461" target="_blank" >RIV/67985807:_____/13:00421461 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Statistical Expectation of High Energy Physics Data Sets Separation Algorithms

Popis výsledku v původním jazyce

Article focuses on the application of the basic results of the statistical learning theory known as Probabilistic Approximately Correct learning in the evaluation and post-processing of unique physical data obtained from the detectors of particle accelerators. The aim of this article is not direct separation of the measured data but evaluation of the appropriateness of separation methods used. The main principles and results of the PAC learning theory are briefly summarized, the main characteristics ofselected multivariable data separation algorithms are studied from the VC-dimension point of view. Finally, based on actual data sets obtained from Tevatron D$emptyset$ experiment, some practical hints for separation method selection and numerical computation are derived.

Název v anglickém jazyce

Statistical Expectation of High Energy Physics Data Sets Separation Algorithms

Popis výsledku anglicky

Article focuses on the application of the basic results of the statistical learning theory known as Probabilistic Approximately Correct learning in the evaluation and post-processing of unique physical data obtained from the detectors of particle accelerators. The aim of this article is not direct separation of the measured data but evaluation of the appropriateness of separation methods used. The main principles and results of the PAC learning theory are briefly summarized, the main characteristics ofselected multivariable data separation algorithms are studied from the VC-dimension point of view. Finally, based on actual data sets obtained from Tevatron D$emptyset$ experiment, some practical hints for separation method selection and numerical computation are derived.

Druh

D - Stať ve sborníku

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

<a href="/cs/project/LG12020" target="_blank" >LG12020: Využití pokročilé statistické analýzy a nestatistických separačních metod pro detekování fyzikálních procesů v datech snímaných urychlovači elementárních částic.</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2013

Kód důvěrnosti údajů

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

Název statě ve sborníku

Stochastic and Physical Monitoring Systems 2013

ISBN

978-80-01-05383-6

ISSN

—

e-ISSN

—

Počet stran výsledku

10

Strana od-do

37-46

Název nakladatele

ČVUT Praha Fakulta jaderná a fyzikálně inženýrská

Místo vydání

Praha

Místo konání akce

Nebřich

Datum konání akce

24. 6. 2013

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—