Adversarial learning to eliminate systematic errors: a case study in High Energy Physics

Victor Estrade 1, 2, 3 Cécile Germain 2, 1, 3 Isabelle Guyon 1, 2, 3, 4 David Rousseau 5
1 TAU - TAckling the Underspeficied
LRI - Laboratoire de Recherche en Informatique, UP11 - Université Paris-Sud - Paris 11, Inria Saclay - Ile de France, CNRS - Centre National de la Recherche Scientifique : UMR8623
Abstract : Making the region selection procedure used in High Energy Physics analysis robust to systematic errors is a case of supervised domain adaptation. This paper proposes a benchmark that captures a simple but realistic case of systematic HEP analysis, in order to expose the issue to the wider community. The benchmark makes easy to conduct an experimental comparison of the recent adversarial knowledge-free approach and a less data-intensive alternative.
Type de document :
Communication dans un congrès
NIPS 2017 - workshop Deep Learning for Physical Sciences, Dec 2017, Long Beach, United States. pp.1-5, 2017, 〈https://dl4physicalsciences.github.io〉
Liste complète des métadonnées

Littérature citée [13 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-01665925
Contributeur : Cecile Germain <>
Soumis le : dimanche 17 décembre 2017 - 18:00:31
Dernière modification le : jeudi 5 avril 2018 - 12:30:26

Fichier

FINALnipswkshversioncourte.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01665925, version 1

Citation

Victor Estrade, Cécile Germain, Isabelle Guyon, David Rousseau. Adversarial learning to eliminate systematic errors: a case study in High Energy Physics. NIPS 2017 - workshop Deep Learning for Physical Sciences, Dec 2017, Long Beach, United States. pp.1-5, 2017, 〈https://dl4physicalsciences.github.io〉. 〈hal-01665925〉

Partager

Métriques

Consultations de la notice

346

Téléchargements de fichiers

139