arXiv · cs.AI· Zichun Hao, Raghav Kansal, Abhijith Gandrakota, Chang Sun, Haoyang Li, Zihan Zhao, Ngadiuba Jennifer, Javier Duarte, Maria Spiropulu·· 1 天前
RINO：利用无标签重整化群蒸馏开展高能喷注自监督预训练
RINO: Renormalization Group Distillation with No Labels
arXiv:2610.15919v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Zichun Hao, Raghav Kansal, Abhijith Gandrakota, Chang Sun, Haoyang Li, Zihan Zhao, Ngadiuba Jennifer, Javier Duarte, Maria Spiropulu
研究任务与主要进展
RINO提出一种面向高能物理喷注的无标签自学习方法，利用喷注形成的多尺度重整化群结构生成教师—学生表征，并以DINO式自蒸馏进行对齐。该方法仅使用QCD喷注预训练，在JetNet上微调使用1%标注数据即可匹配全监督训练；使用完整标注数据时，顶尖夸克喷注的分布外分类准确率提升5.9%，在未见过的希格斯玻色子衰变通道H→4q上，较最强SSL基线提升4.1%的AUC。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org