SUSY数据集，蒙特卡罗模拟生成的数据集，加速器中的粒子探测器测量的运动学特性及功能

Daniel Whiteson daniel '@' uci.edu, Assistant Professor, Physics & Astronomy, Univ. of California Irvine Data Set Information: Provide all relevant informatioThe data has been produced using Monte Carlo simulations. The first 8 features are kinematic properties measured by the particle detectors in the accelerator. The last ten features are functions of the first 8 features; these are high-level features derived by physicists to help discriminate between the two classes. There is an interest in using deep learning methods to obviate the need for physicists to manually develop such features. Benchmark results using Bayesian Decision Trees from a standard physics package and 5-layer neural networks and the dropout algorithm are presented in the original paper. The last 500,000 examples are used as a test set.n about your data set. Attribute Information: The first column is the class label (1 for signal, 0 for background), followed by the 18 features (8 low-level features then 10 high-level features):: lepton 1 pT, lepton 1 eta, lepton 1 phi, lepton 2 pT, lepton 2 eta, lepton 2 phi, missing energy magnitude, missing energy phi, MET_rel, axial MET, M_R, M_TR_2, R, MT2, S_R, M_Delta_R, dPhi_r_b, cos(theta_r1). For detailed information about each feature see the original paper. Relevant Papers: Baldi, P., P. Sadowski, and D. Whiteson. “Searching for Exotic Particles in High-energy Physics with Deep Learning.” Nature Communications 5 (July 2, 2014) Citation Request: Baldi, P., P. Sadowski, and D. Whiteson. “Searching for Exotic Particles in High-energy Physics with Deep Learning.” Nature Communications 5 (July 2, 2014)

丹尼尔·怀特森（Daniel Whiteson），电子邮箱：daniel '@' uci.edu，加州大学欧文分校物理与天文学系助理教授。
数据集信息：请提供该数据集的全部相关信息。本数据集通过蒙特卡洛模拟（Monte Carlo simulations）生成。前8个特征为加速器粒子探测器测得的运动学特性；后10个特征为前8个特征的衍生函数，是物理学家为区分两类样本而手动构建的高阶特征。当前学界存在使用深度学习方法替代物理学家手动开发此类特征的研究需求。原论文中给出了采用标准物理工具包中的贝叶斯决策树（Bayesian Decision Trees）、5层神经网络及dropout算法（dropout algorithm）得到的基准实验结果。本数据集的最后500000条样本用作测试集。
属性信息：第一列为类别标签（1代表信号样本，0代表背景样本），后续依次为18个特征（先8个低阶特征，再10个高阶特征），具体包括：轻子1横向动量（lepton 1 pT）、轻子1赝快度（lepton 1 eta）、轻子1方位角（lepton 1 phi）、轻子2横向动量（lepton 2 pT）、轻子2赝快度（lepton 2 eta）、轻子2方位角（lepton 2 phi）、缺失能量幅值（missing energy magnitude）、缺失能量方位角（missing energy phi）、MET_rel、轴向MET（axial MET）、M_R、M_TR_2、R、MT2、S_R、M_Delta_R、dPhi_r_b、cos(theta_r1)。各特征的详细信息请参见原论文。
相关论文：巴尔迪（P. Baldi）、萨多斯基（P. Sadowski）与怀特森（D. Whiteson）. 《利用深度学习在高能物理中搜寻奇异粒子》，《自然通讯》（Nature Communications）第5卷（2014年7月2日）。
引用请求：巴尔迪（P. Baldi）、萨多斯基（P. Sadowski）与怀特森（D. Whiteson）. 《利用深度学习在高能物理中搜寻奇异粒子》，《自然通讯》（Nature Communications）第5卷（2014年7月2日）。

搜集汇总

背景与挑战

背景概述

SUSY数据集是通过蒙特卡罗模拟生成的，包含加速器中粒子探测器测量的18个运动学特性及功能特征，旨在利用深度学习方法减少物理学家手动开发特征的需求。