Advanced machine learning techniques in rare events research at the Large Hadron Collider

Detalhes bibliográficos
Autor(a) principal: Neiva, Maria do Céu Vale Lopes
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: https://hdl.handle.net/1822/85308
Resumo: Dissertação de mestrado em Physics
id RCAP_3fc8d647fe8092ebfffea80786fa9351
oai_identifier_str oai:repositorium.sdum.uminho.pt:1822/85308
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling Advanced machine learning techniques in rare events research at the Large Hadron ColliderTécnicas avançadas de machine learning na pesquisa de eventos raros no Large Hadron ColliderAprendizagem automáticaÁrvores de decisãoCodificadores automáticosDeteção de anomaliasDimensão do espaço latenteAnomaly detectionAutoencodersDecision treeLatent space dimensionMachine learningCiências Naturais::Ciências FísicasDissertação de mestrado em PhysicsHá ainda várias questões acerca do universo às quais ainda não temos resposta. É fundamental estudarmos e melhorarmos as técnicas já conhecidas, bem como desenvolver novas técnicas, de forma a investigar e descobrir novos fenómenos de física. Neste trabalho, foram utilizadas técnicas de machine learning tais como boosted decision trees e autoencoders. As boosted decision trees foram utilizadas como métodos de machine learning supervisionado, enquanto que os autoencoders foram utilizados como métodos de deteção de anomalias. Foi feita uma comparação entre a AUC dos resultados da boosted decision tree, dos autoencoders e das features, sem estas terem passado por nenhum modelo. Já com os autoencoders foi feito outro estudo - a dimensão do espaço latente afeta a deteção do sinal? Foi feito um estudo em várias dimensões do espaço latente e foi calculada a AUC para visualizar este efeito. Os resultados da boosted decision tree foram melhores que os resultados dos autoencoders, porém utilizar autoencoders foi melhor do que não utilizar nada - a AUC dos autoencoders foi melhor que a AUC das features. Além disso, a escolha do espaço latente tem que ser tomada em conta visto que há dimensões mais sensíveis a certos tipos de sinais.There are still many questions about our universe to which we do not know the answer yet. The devel opment of new techniques and the improvement of techniques that we already developed is fundamental to investigate and discover new physics phenomena. In this work, machine learning techniques were studied such as boosted decision trees and autoen coders. Boosted decisions trees were used as a supervised technique and the autoencoders as an anomaly detection technique. It was done a comparison between the AUC of the results from the boosted decision tree, the autoencoders and from the features without going through any model. With the autoencoders, another study was done - does the latent space dimension affect the signal detection? For different latent space dimensions, the AUC was performed to visualize this effect. The results from the boosted decision tree were better than the results coming from the autoencoders but, using autoencoders was better than using nothing - the AUC of the autoencoders were better than the AUC of the features. Furthermore, it was seen that the choice of the latent space dimension must be taken into consideration since some dimensions are sensitive to certain kind of signals.Castro, Nuno FilipeRomão, Miguel Correia dos Santos CrispimUniversidade do MinhoNeiva, Maria do Céu Vale Lopes2023-06-062023-06-06T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/1822/85308eng203323017info:eu-repo/semantics/openAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-07-21T12:47:18Zoai:repositorium.sdum.uminho.pt:1822/85308Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T19:45:24.395578Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv Advanced machine learning techniques in rare events research at the Large Hadron Collider
Técnicas avançadas de machine learning na pesquisa de eventos raros no Large Hadron Collider
title Advanced machine learning techniques in rare events research at the Large Hadron Collider
spellingShingle Advanced machine learning techniques in rare events research at the Large Hadron Collider
Neiva, Maria do Céu Vale Lopes
Aprendizagem automática
Árvores de decisão
Codificadores automáticos
Deteção de anomalias
Dimensão do espaço latente
Anomaly detection
Autoencoders
Decision tree
Latent space dimension
Machine learning
Ciências Naturais::Ciências Físicas
title_short Advanced machine learning techniques in rare events research at the Large Hadron Collider
title_full Advanced machine learning techniques in rare events research at the Large Hadron Collider
title_fullStr Advanced machine learning techniques in rare events research at the Large Hadron Collider
title_full_unstemmed Advanced machine learning techniques in rare events research at the Large Hadron Collider
title_sort Advanced machine learning techniques in rare events research at the Large Hadron Collider
author Neiva, Maria do Céu Vale Lopes
author_facet Neiva, Maria do Céu Vale Lopes
author_role author
dc.contributor.none.fl_str_mv Castro, Nuno Filipe
Romão, Miguel Correia dos Santos Crispim
Universidade do Minho
dc.contributor.author.fl_str_mv Neiva, Maria do Céu Vale Lopes
dc.subject.por.fl_str_mv Aprendizagem automática
Árvores de decisão
Codificadores automáticos
Deteção de anomalias
Dimensão do espaço latente
Anomaly detection
Autoencoders
Decision tree
Latent space dimension
Machine learning
Ciências Naturais::Ciências Físicas
topic Aprendizagem automática
Árvores de decisão
Codificadores automáticos
Deteção de anomalias
Dimensão do espaço latente
Anomaly detection
Autoencoders
Decision tree
Latent space dimension
Machine learning
Ciências Naturais::Ciências Físicas
description Dissertação de mestrado em Physics
publishDate 2023
dc.date.none.fl_str_mv 2023-06-06
2023-06-06T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://hdl.handle.net/1822/85308
url https://hdl.handle.net/1822/85308
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv 203323017
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799133018660536320

Registros relacionados