粒子物理学中使用机器学习进行异常检测的最新技术进行综述，讨论了在大型复杂数据集中进行异常检测的挑战，并强调了在粒子物理实验中异常检测的成功应用。
Dec, 2023
使用无监督学习技术提出一种新的科学应用，通过检测两个数据集之间的差异来增强我们在数据中搜索新现象的能力，建立基于最近邻的统计检验方法对两个样本之间的偏差进行测量，应用于高斯合成数据和模拟暗物质信号的案例中，是一种寻找待进一步研究的感兴趣区域的有力工具。
Jul, 2018
使用多个背景类型的表示学习构建检测算法以改善异常检测，同时推广多背景设置中的相关性，以更完整地定义鲁棒性，从而在大型强子对撞机的粒子衰变高维数据集上展示了这种算法的好处。
Jan, 2024
使用计算机视觉技术从高能物理学的味道数据中直接提取超出标准模型（BSM）参数的一种新的应用，通过将角度和动力学分布转化为 “准图像”，训练卷积神经网络执行回归任务，与在高能物理学中使用机器学习 / 人工智能进行的通常分类功能相对应。
Nov, 2023
本研究通过基于自编码器的深度神经网络，在高能物理碰撞实验中开发了一组密度基准的新颖性评估器以实现新物理信号事件的高效检测，并探索了解决非信号区域提供的已知模式数据波动对检测灵敏度的影响并提出了应对策略。结果表明，新物理基准可能具有高效的识别能力。
本文介绍一种使用多层感知器在大型多变量数据集中检测偏差的方法，该方法设计灵敏度高且不需要任何先验假设，并在高能物理问题中得到了应用验证。
Dec, 2019
使用物理过程训练的变分自编码器，开发了一种单边阈值测试，以隔离先前未见的过程作为异常事件，并且这种算法可以识别丢失的异常事件，扩展了 LHC 的科学范围。
Nov, 2018
这篇论文研究了使用深度神经网络和贝叶斯优化算法来提高通过 Large Hamron Collider 探测到的希格斯玻色子挑战 5σ 显著性的可能性，并成功地检测出希格斯玻色子衰变成一对 tau 轻子。
Oct, 2014
本文介绍了无监督群体异常检测成为寻找新粒子和力量的新前沿，提出了一种现实的综合基准数据集（LHCO2020）以用于群体异常检测算法的开发，并比较了几种现有的统计学算法在 LHCO2020 数据集上的表现。
Jul, 2021
该论文使用神经网络检测数据与给定参考模型的偏差，并通过极大似然比假设检验算法实现。其主要应用是无需事先假设新物理，实现模型无关的新物理搜索，论文还探讨了进一步优化算法以适用于实验数据的可能性。
Jun, 2018