PulseAugur
实时 09:10:26
English(EN) Uncovering Hidden Systematics in Neural Network Models for High Energy Physics

物理学中的神经网络易受隐藏系统误差影响

研究人员发现,用于高能物理分析的神经网络模型存在一个重大的漏洞。这些模型虽然强大,但可能会被实验不确定性范围内的细微输入扰动系统性地误导。这种敏感性可能导致对模型真实不确定性的低估,从而可能在物理学结果中引入未考虑到的偏差。该研究提出了一个量化框架来衡量和控制这种隐藏的敏感性,旨在提高神经网络在科学研究中的可靠性。 AI

影响 强调了AI模型在科学研究中潜在的不可靠性,需要新的验证方法。

排序理由 学术论文,详细介绍了关于特定AI应用局限性的一项新发现。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

物理学中的神经网络易受隐藏系统误差影响

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ulrich Willemsen ·

    揭示高能物理神经网络模型中的隐藏系统误差

    Neural networks (NNs) are inherently multidimensional classifiers that learn complex, non-linear relationships among input observables. While their flexibility enables unprecedented performance in high-energy physics (HEP) analyses, it also makes them sensitive to small variation…