no code implementations • 11 Mar 2023 • S. Li, I. Ostrovskiy, Z. Li, L. Yang, S. Al Kharusi, G. Anton, I. Badhrees, P. S. Barbeau, D. Beck, V. Belov, T. Bhatta, M. Breidenbach, T. Brunner, G. F. Cao, W. R. Cen, C. Chambers, B. Cleveland, M. Coon, A. Craycraft, T. Daniels, L. Darroch, S. J. Daugherty, J. Davis, S. Delaquis, A. Der Mesrobian-Kabakian, R. DeVoe, J. Dilling, A. Dolgolenko, M. J. Dolinski, J. Echevers, W. Fairbank Jr., D. Fairbank, J. Farine, S. Feyzbakhsh, P. Fierlinger, Y. S. Fu, D. Fudenberg, P. Gautam, R. Gornea, G. Gratta, C. Hall, E. V. Hansen, J. Hoessl, P. Hufschmidt, M. Hughes, A. Iverson, A. Jamil, C. Jessiman, M. J. Jewell, A. Johnson, A. Karelin, L. J. Kaufman, T. Koffas, R. Krücken, A. Kuchenkov, K. S. Kumar, Y. Lan, A. Larson, B. G. Lenardo, D. S. Leonard, G. S. Li, C. Licciardi, Y. H. Lin, R. MacLellan, T. McElroy, T. Michel, B. Mong, D. C. Moore, K. Murray, O. Njoya, O. Nusair, A. Odian, A. Perna, A. Piepke, A. Pocar, F. Retière, A. L. Robinson, P. C. Rowson, J. Runge, S. Schmidt, D. Sinclair, K. Skarpaas, A. K. Soma, V. Stekhanov, M. Tarka, S. Thibado, J. Todd, T. Tolba, T. I. Totev, R. Tsang
Generative Adversarial Networks trained on samples of simulated or actual events have been proposed as a way of generating large simulated datasets at a reduced computational cost.