RINO：用重整化群结构做喷注无标签自监督预训练

Zichun Hao 等在 arXiv 发布预印本 RINO（Renormalization Group DIstillation with NO Labels），提出利用高能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 式自蒸馏对齐的无标签自监督预训练方法，代码已在 GitHub 开源。 论文称 RINO 仅用 QCD 过程喷注预训练，在 JetNet 上微调只需 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%，在未见过的希格斯衰变通道 H→4q 上较最强 SSL 基线提升 4.1% 的 AUC。以上为论文作者声称的结果，属预印本阶段，尚未见独立验证。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。