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”

Kernel and divergence techniques in high energy physics separations

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21340%2F17%3A00314557" target="_blank" >RIV/68407700:21340/17:00314557 - isvavai.cz</a>

  • Výsledek na webu

    <a href="http://iopscience.iop.org/article/10.1088/1742-6596/898/7/072004" target="_blank" >http://iopscience.iop.org/article/10.1088/1742-6596/898/7/072004</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1088/1742-6596/898/7/072004" target="_blank" >10.1088/1742-6596/898/7/072004</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Kernel and divergence techniques in high energy physics separations

  • Popis výsledku v původním jazyce

    Binary decision trees under the Bayesian decision technique are used for supervised classifcation of high-dimensional data. We present a great potential of adaptive kernel density estimation as the nested separation method of the supervised binary divergence decision tree. Also, we provide a proof of alternative computing approach for kernel estimates utilizing Fourier transform. Further, we apply our method to Monte Carlo data set from the particle accelerator Tevatron at D0 experiment in Fermilab and provide final top-antitop signal separation results. We have achieved up to 82% AUC while using the restricted feature selection entering the signal separation procedure.

  • Název v anglickém jazyce

    Kernel and divergence techniques in high energy physics separations

  • Popis výsledku anglicky

    Binary decision trees under the Bayesian decision technique are used for supervised classifcation of high-dimensional data. We present a great potential of adaptive kernel density estimation as the nested separation method of the supervised binary divergence decision tree. Also, we provide a proof of alternative computing approach for kernel estimates utilizing Fourier transform. Further, we apply our method to Monte Carlo data set from the particle accelerator Tevatron at D0 experiment in Fermilab and provide final top-antitop signal separation results. We have achieved up to 82% AUC while using the restricted feature selection entering the signal separation procedure.

Klasifikace

  • Druh

    J<sub>ost</sub> - Ostatní články v recenzovaných periodicích

  • CEP obor

  • OECD FORD obor

    10103 - Statistics and probability

Návaznosti výsledku

  • Projekt

    Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

  • Návaznosti

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

Ostatní

  • Rok uplatnění

    2017

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název periodika

    Journal of Physics: Conference Series

  • ISSN

    1742-6588

  • e-ISSN

  • Svazek periodika

    898

  • Číslo periodika v rámci svazku

    7

  • Stát vydavatele periodika

    GB - Spojené království Velké Británie a Severního Irska

  • Počet stran výsledku

    7

  • Strana od-do

  • Kód UT WoS článku

  • EID výsledku v databázi Scopus

    2-s2.0-85038594442