Systematics aware learning: a case study in High Energy Physics

Victor Estrade 1 Cécile Germain 1 Isabelle Guyon 1 David Rousseau 2
1 TAU - TAckling the Underspecified
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 : Experimental science often has to cope with systematic errors that coherently bias data. We analyze this issue on the analysis of data produced by experiments of the Large Hadron Collider at CERN as a case of supervised domain adaptation. Systematics-aware learning should create an efficient representation that is insensitive to perturbations induced by the systematic effects. We present an experimental comparison of the adversarial knowledge-free approach and a less data-intensive alternative.
Type de document :
Communication dans un congrès
ESANN 2018 - 26th European Symposium on Artificial Neural Networks, Apr 2018, Bruges, Belgium
Liste complète des métadonnées

Littérature citée [13 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-01715155
Contributeur : Victor Estrade <>
Soumis le : jeudi 22 février 2018 - 14:04:21
Dernière modification le : jeudi 7 février 2019 - 16:20:42
Document(s) archivé(s) le : mercredi 23 mai 2018 - 13:17:21

Fichier

systematics-aware-learning.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01715155, version 1

Citation

Victor Estrade, Cécile Germain, Isabelle Guyon, David Rousseau. Systematics aware learning: a case study in High Energy Physics. ESANN 2018 - 26th European Symposium on Artificial Neural Networks, Apr 2018, Bruges, Belgium. 〈hal-01715155〉

Partager

Métriques

Consultations de la notice

261

Téléchargements de fichiers

115