SEAL - A Symmetry EncourAging Loss for High Energy Physics
Pradyun Hebbar, Thandikire Madula, Vinicius Mikuni, Benjamin Nachman, Nadav Outmezguine and Inbar Savoray
物理对称性为构建函数分析数据提供了很强的电感偏差。 特别是,这种偏见可以提高机器学习模型的鲁棒性、数据效率和可解释性。 然而,由于所需的专用组件,构建明确尊重对称性的机器学习模型可能很困难。 此外,现实世界的实验可能并不完全尊重有限粒度和能量阈值水平的基本对称性。 在这项工作中,我们探索了创建对称感知机器学习模型的替代方法。 我们引入了软约束,允许模型在学习过程中决定添加对称性的重要性,而不是执行精确的对称性。 我们研究两种互补的方法,一种是根据输入的具体变换来惩罚模型,一种是受群论和输入的无穷小变换的启发。 使用顶级夸克喷射标记和Lorenz equivariance作为示例,我们观察到软约束的添加会导致更稳健的性能,同时需要对当前最先进的模型进行可忽略不计的更改。
Physical symmetries provide a strong inductive bias for constructing functions to analyze data. In particular, this bias may improve robustness, data efficiency, and interpretability of machine learning models. However, building machine learning models that explicitly respect symmetries can be difficult due to the dedicated components required. Moreover, real-world experiments may not exactly respect fundamental symmetries at the level of finite granularities and energy thresholds. In this work,...