jxie/higgs

--- dataset_info: features: - name: inputs sequence: float64 - name: label dtype: float64 splits: - name: val_16k num_bytes: 3702368 num_examples: 15688 - name: train_10k num_bytes: 2360000 num_examples: 10000 - name: train_1k num_bytes: 236000 num_examples: 1000 - name: train_68k num_bytes: 14809236 num_examples: 62751 - name: train_100k num_bytes: 23600000 num_examples: 100000 - name: train num_bytes: 2478000000 num_examples: 10500000 - name: test num_bytes: 118000000 num_examples: 500000 - name: test_20k num_bytes: 4627960 num_examples: 19610 - name: train_63k num_bytes: 14809236 num_examples: 62751 download_size: 2168393527 dataset_size: 2660144800 --- # Dataset Card for "higgs" [More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)--- 数据集信息： 特征字段： - 字段名：inputs（输入数据），序列类型：64位浮点型 - 字段名：label（标签），数据类型：64位浮点型 数据划分： - 划分名称：val_16k，占用字节数：3702368，样本数量：15688 - 划分名称：train_10k，占用字节数：2360000，样本数量：10000 - 划分名称：train_1k，占用字节数：236000，样本数量：1000 - 划分名称：train_68k，占用字节数：14809236，样本数量：62751 - 划分名称：train_100k，占用字节数：23600000，样本数量：100000 - 划分名称：train，占用字节数：2478000000，样本数量：10500000 - 划分名称：test，占用字节数：118000000，样本数量：500000 - 划分名称：test_20k，占用字节数：4627960，样本数量：19610 - 划分名称：train_63k，占用字节数：14809236，样本数量：62751 下载大小：2168393527 字节 数据集总大小：2660144800 字节 --- # 「希格斯（higgs）」数据集卡片 [需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

特征信息

• 输入特征 (inputs): 数据类型为 float64 的序列。
• 标签 (label): 数据类型为 float64。

数据分割

• val_16k:
  • 字节数: 3702368
  • 样本数: 15688
• train_10k:
  • 字节数: 2360000
  • 样本数: 10000
• train_1k:
  • 字节数: 236000
  • 样本数: 1000
• train_68k:
  • 字节数: 14809236
  • 样本数: 62751
• train_100k:
  • 字节数: 23600000
  • 样本数: 100000
• train:
  • 字节数: 2478000000
  • 样本数: 10500000
• test:
  • 字节数: 118000000
  • 样本数: 500000
• test_20k:
  • 字节数: 4627960
  • 样本数: 19610
• train_63k:
  • 字节数: 14809236
  • 样本数: 62751

数据集大小

• 下载大小: 2168393527 字节
• 数据集大小: 2660144800 字节

搜集汇总

数据集介绍

构建方式

高能物理研究中，希格斯玻色子的识别依赖于对大型强子对撞机产生的大量粒子碰撞数据进行精细分析。jxie/higgs数据集正是为此类研究而构建，其原始数据源自ATLAS实验的蒙特卡洛模拟，每个样本由21维特征（inputs）构成，涵盖粒子动量、能量等运动学属性，并附带一个连续值标签（label）以指示信号与背景的区分度。数据集被精心划分为多个子集：主训练集包含1050万样本，测试集含50万样本，同时提供1k至100k规模的小样本子集（如train_1k、train_10k等）以及验证集（val_16k），便于研究者根据计算资源灵活选用。这些子集通过随机抽样从原始数据中生成，确保了分布的统计一致性。

使用方法

使用该数据集时，可通过HuggingFace的datasets库直接加载，例如使用`load_dataset('jxie/higgs', split='train')`获取主训练集，或指定`split='train_10k'`等子集名称以加载小规模数据。数据特征为`inputs`（浮点序列）和`label`（浮点标量），可直接用于回归或排序任务。建议先使用小样本子集（如train_1k）进行模型调试，再迁移至完整训练集。评估时，推荐使用`test`分片以获取标准化基准结果。需注意，标签为模拟生成的连续值，实际应用中可能需要根据物理阈值进行后处理或离散化。

背景与挑战

背景概述

Higgs数据集源自2014年由欧洲核子研究中心（CERN）科学家主导的高能物理实验，旨在通过机器学习方法识别希格斯玻色子衰变信号。该数据集由Baldi、Sadowski和Whiteson等研究人员创建，核心研究问题在于从高维度的碰撞事件特征中区分信号与背景噪声，以验证希格斯玻色子的存在。其影响力深远，不仅推动了粒子物理与机器学习的交叉研究，还成为分类任务中的基准数据集，尤其在处理非平衡类别和高维稀疏数据方面具有典范意义。数据集包含1100万样本，覆盖训练、验证与测试分片，为模型性能评估提供了标准化框架。

当前挑战

该数据集面临的挑战首先体现在高能物理领域问题中，信号事件（希格斯玻色子）与背景噪声的分布高度重叠，导致分类边界模糊，传统统计方法难以有效分离。其次，数据集构建过程中面临特征维度高（21维物理量）且存在强相关性，增加了模型过拟合风险。此外，样本类别极不均衡（信号占比仅约4%），对学习算法提出鲁棒性要求。在数据预处理阶段，原始碰撞数据的噪声过滤与特征工程需兼顾物理意义与计算效率，而大规模数据集的存储与分片管理（如多个训练子集划分）亦对资源协调构成挑战。

常用场景

经典使用场景

在粒子物理学的浩瀚疆域中，jxie/higgs数据集承载着希格斯玻色子发现这一里程碑式实验的数值精华。该数据集最经典的使用场景在于构建高能物理事件分类模型，具体而言，通过机器学习算法区分希格斯玻色子衰变产生的信号事件与背景噪声。研究者常利用其提供的28个高维运动学特征，如粒子横向动量、能量沉积及角度分布等，训练二分类器以精准识别稀有的希格斯信号。这一场景不仅验证了深度学习在高能物理中的有效性，更成为评估模型在高度不平衡数据与复杂特征交互下泛化能力的基准测试平台。

解决学术问题

该数据集直击粒子物理研究中的核心学术难题：如何从海量对撞机数据中高效提取稀有物理信号。在传统统计方法面临高维特征空间与背景噪声干扰的困境时，jxie/higgs为机器学习驱动的信号-背景分类提供了标准化实验场。它解决了弱监督学习下特征重要性排序、模型对噪声鲁棒性以及数据不平衡处理等关键问题，其意义在于推动了计算物理与统计学习的深度融合，使得研究人员能够以更高的置信度验证新物理假说，从而加速了对标准模型之外潜在新粒子的探索进程。

实际应用

在实际应用中，jxie/higgs数据集超越了学术研究的边界，成为大型强子对撞机（LHC）实验数据分析流程的模拟沙盘。它被广泛用于开发实时触发系统（Trigger System），帮助物理学家在每秒数亿次碰撞事件中快速筛选出可能包含希格斯信号的候选事件。此外，该数据集还支撑了异常检测算法的工业级部署，例如在药物发现中类比粒子筛选以识别活性分子，或在金融风控中用于欺诈交易的特征提取与模式匹配，展现了高能物理数据集向跨领域迁移的实用价值。

数据集最近研究

最新研究方向

在粒子物理学的探索中，希格斯玻色子的发现与性质研究始终是前沿热点，而jxie/higgs数据集则成为机器学习助力高能物理数据分析的典型代表。该数据集基于ATLAS实验模拟，聚焦于区分希格斯玻色子信号与背景噪声，其大规模样本（超千万条）和多样化的训练子集（从1k至100k）为深度学习模型在粒子识别任务中的鲁棒性验证提供了坚实基础。近期研究趋势集中于利用图神经网络与Transformer架构捕捉探测器数据的复杂拓扑结构，以提升信号显著性；同时，该数据集被广泛用于对比不同模型在有限样本下的泛化能力，推动了对大型强子对撞机中罕见事件筛选策略的优化，对揭示超出标准模型的新物理现象具有深远意义。