Würzburg 2018 – scientific programme

Parts | Days | Selection | Search | Updates | Downloads | Help

T: Fachverband Teilchenphysik

T 87: Datenanalyse

T 87.3: Talk

Thursday, March 22, 2018, 17:00–17:15, Z6 - SR 2.005

Deep Learning mit unbalancierten Datensätzen — •Stefan Geißelsöder für die ANTARES-KM3NeT-Erlangen Kollaboration — Friedrich-Alexander-Universität Erlangen-Nürnberg, ECAP

Deep Learning bezeichnet eine gegenwärtig in vielen Anwendungsbereichen sehr erfolgreiche und flexibel einsetzbare Gruppe von Algorithmen, die einen hohen Grad an automatisch erzielter Abstraktion gemeinsam haben. Gleichzeitig benötigen moderne Großexperimente in der Teilchenphysik oft unerreichte Präzision bei ihren Messungen um auch subdominante Effekte beobachten zu können. Die dabei simulierten und gemessenen, oft sehr großen Datensätze sind zwar einerseits gut zur Verarbeitung mit Deep Learning geeignet, andererseits sind sie häufig sehr unbalanciert. Beispielsweise können viele, für eine angestrebte Datenanalyse aber unerhebliche Daten enthalten sein, ein Energiespektrum resultiert in unterschiedlich vielen Ereignisse für verschiedene Energiebereiche oder möglicherweise besonders interessante Extremfälle sind selten.

Der Vortrag vergleicht Methoden, wie das Training und die Anwendung von Convolutional Neural Networks an diese stark unbalancierten Datensätze angepasst werden können, um eine möglichst hohe Genauigkeit bei der Datenanalyse zu erzielen. Die Vergleiche werden teilweise anhand von Simulationen für das KM3NeT Neutrinoteleskop gezeigt, das gegenwärtig am Grund des Mittelmeeres im Aufbau ist.