卷积图网络在粒子物理学中用于有效的事件建构和分类.然而,如果应用于传感器层面的数据,它们的性能会受到现代粒子探测器中使用的大量传感器的限制。.我们提出了一种池化方案,使用分区来创建图上的池化核,类似于图像上的池化。.分区池可以用来采用成功的图像识别架构,用于粒子物理学中的图神经网络应用.减少的计算资源允许更深入的网络和更广泛的超参数优化。.为了显示其适用性,我们构建了一个具有分区池的演化图网络,为一个理想化的中微子探测器重建了模拟的交互顶点。.与没有集合的类似网络相比,集合网络产生了更好的性能,并且更不容易出现过拟合。.较低的资源要求允许构建一个更深的网络,并进一步提高性能。.
《Partition Pooling for Convolutional Graph Network Applications in Particle Physics》
论文地址:http://arxiv.org/abs/2208.05952v1