Messungen sind nie ganz die Wahrheit
Jeder reale Detektor verzerrt seine Messung: begrenzte Auflösung, Akzeptanz und Rauschen machen aus einer wahren Verteilung eine gemessene. Die ursprüngliche zurückzugewinnen ist ein Dekonvolutionsproblem.
Bachelorarbeit
Ordinale Klassifikation mit neuronalen Netzen in DSEA+
Ein animierter Rundgang durch meine Bachelorarbeit zur Verbindung ordinaler Klassifikation mit neuronalen Netzen und iterativer Dekonvolution.
Von verzerrten Messungen zu ordinalem Unfolding
DSEA+ formuliert Dekonvolution als Klassifikation
Statt eine oft instabile Matrix direkt zu invertieren, iteriert DSEA+: Klassifikator trainieren, Spektrum aus dessen Konfidenzen schätzen, Trainingsdaten gewichten und bis zur Konvergenz wiederholen.
Jeder Klassifikator funktioniert — fast
DSEA+ akzeptiert probabilistische Klassifikatoren, aber seine Ziel-Bins sind geordnet. Anders als unabhängige Farbkategorien liegt Bin 5 näher an Bin 6 als an Bin 9 — eine Distanz, die übliche Softmax-Klassifikatoren nicht abbilden.
CORN: Rang statt roher Kategorie
CORN formuliert ordinale Klassifikation als verkettete binäre Fragen: Überschreitet ein Ereignis Rang k? Die Wahrscheinlichkeiten sind so verknüpft, dass Vorhersagen konstruktionsbedingt rang-konsistent bleiben.
CORN an DSEA+ anpassen
CORN gibt nativ einen vorhergesagten Rang pro Ereignis aus. DSEA+ benötigt vollständige Konfidenzverteilungen pro Klasse und gewichtete Trainingsbeispiele; beide Erweiterungen verbinden die Methoden.
Die Kombination testen
Bayessche Hyperparametersuche, Cross-Validation und Bootstrap-Unsicherheiten prüfen, ob die Berücksichtigung der Ordnung das Unfolding gegenüber einer nicht-ordinalen Basis verbessert.
Verteilungen statt einzelner Ereignisse rekonstruieren
Die zentrale Aufgabe ist, aus detektorverzerrten Beobachtungen eine zugrundeliegende Verteilung zu erschließen und dabei begrenzte Daten und numerische Instabilität zu behandeln.
Iteratives, klassifikatorbasiertes Unfolding
DSEA+ macht aus Dekonvolution eine Schleife zur Datengewichtung, die durch kalibrierte Klassen-Konfidenzen gesteuert wird.
Die Struktur geordneter Ziele nutzen
CORN bildet die Rangordnung direkt ab und ist damit eine prinzipielle Alternative dazu, alle Ziel-Bins als unabhängig zu behandeln.
Neugierig geworden?
Kontaktiere mich für Zugang zur vollständigen PDF und um die Methoden und Ergebnisse ausführlicher zu besprechen.