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”

Divergence separation techniques for high energy physics data

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21340%2F15%3A00236279" target="_blank" >RIV/68407700:21340/15:00236279 - isvavai.cz</a>

  • Výsledek na webu

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Divergence separation techniques for high energy physics data

  • Popis výsledku v původním jazyce

    Binary decision trees are widely used tool for unsupervised classication of high-dimensional data, for example among particle physicists. We present our proposal of the super-vised binary divergence decision tree with nested separation method based on the generalized linear models. A key insight we provide is the clustering driven only by a few selected physi-cal variables. The proper selection consists of the variables achieving the maximal divergence measure between two different classes. Further we apply our method to Monte Carlo data set simulating measured observations from the particle accelerator at D? experiment in Fermilab. We also introduce the modification of statistical tests applicable to weighted data sets in order to test homogeneity ofthe Monte Carlo simulation and real data.

  • Název v anglickém jazyce

    Divergence separation techniques for high energy physics data

  • Popis výsledku anglicky

    Binary decision trees are widely used tool for unsupervised classication of high-dimensional data, for example among particle physicists. We present our proposal of the super-vised binary divergence decision tree with nested separation method based on the generalized linear models. A key insight we provide is the clustering driven only by a few selected physi-cal variables. The proper selection consists of the variables achieving the maximal divergence measure between two different classes. Further we apply our method to Monte Carlo data set simulating measured observations from the particle accelerator at D? experiment in Fermilab. We also introduce the modification of statistical tests applicable to weighted data sets in order to test homogeneity ofthe Monte Carlo simulation and real data.

Klasifikace

  • Druh

    D - Stať ve sborníku

  • CEP obor

    BF - Elementární částice a fyzika vysokých energií

  • OECD FORD obor

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/LG15047" target="_blank" >LG15047: Spolupráce na experimentech ve Fermiho národní laboratoři, USA</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Ostatní

  • Rok uplatnění

    2015

  • 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

    SPMS 2015 - Stochastic and Physical Monitoring Systems - Proceedings

  • ISBN

    978-80-01-05841-1

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    13

  • Strana od-do

    7-19

  • Název nakladatele

    ČVUT

  • Místo vydání

    Praha

  • Místo konání akce

    Drhleny

  • Datum konání akce

    22. 6. 2015

  • Typ akce podle státní příslušnosti

    EUR - Evropská akce

  • Kód UT WoS článku