每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

利用图网络进行时空异常检测，用于强子量能器数据质量监测

Created by
  • Haebom

作者

Mulugeta Weldezgina Asres、Christian Walter Omlin、Long Wang、David Yu、Pavel Parygin、Jay Dittmann、Georgia Karapostoli、Markus Seidel、Rosamaria Venditti、Luka Lambrecht、Emanuele Usai、Muhammad Ahmad、Javier Fernandez Menendez、Kaori Maeshima，CMS-HCAL 合作

大纲

本文介绍了 GraphSTAD，这是一个基于半监督学习的时空异常检测 (AD) 监控系统，用于欧洲核子研究中心 (CERN) 大型强子对撞机 (LHC) CMS 实验中强子量能器 (HCAL) 的粒子读出通道。GraphSTAD 使用来自 DQM 的 3D 数字占用图数据，使用卷积神经网络和图神经网络分别学习粒子通过探测器引起的局部空间特征以及由于通道共享后端电路连接和外壳盒引起的全局行为。循环神经网络捕捉提取的空间特征的时间演变。使用 LHC 碰撞数据集，我们验证了所提出的 AD 系统在检测各种通道故障类型方面的准确性。GraphSTAD 系统达到了实用精度，现已集成到 CMS 核心生产系统中，用于实时监控 HCAL。我们通过与其他基准模型的定量性能比较来证明所提出的系统的实用性。

Takeaways, Limitations

•
Takeaways：
◦
我们提出了 GraphSTAD，这是一种基于半监督学习的准确高效的时空异常检测系统，用于 CMS HCAL 中的实时数据质量监控。
◦
通过结合卷积神经网络、图神经网络和循环神经网络有效地学习局部和全局特征。
◦
实现对各种通道错误类型的高检测精度，并与CMS核心系统集成。
◦
与现有方法相比，定量证明了性能的改进。
•
Limitations：
◦
本文提出的 GraphSTAD 系统的性能可能仅限于特定的实验环境（CMS HCAL）。其对其他实验环境或检测器类型的适用性可能有限。
◦
需要进一步研究系统推广到新类型错误或意外故障的能力。
◦
由于系统的复杂性，可能需要对实时处理性能和资源消耗进行额外的优化。
👍
Made with Slashpage