卷积图网络的分区池化在粒子物理学中的应用

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