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
采用神经网络参数化的物理描述框架，从分子模拟数据中自动发现连续体模型。该方法在模态空间中对支配物理方程进行参数化，对涉及对称性、各向同性和守恒性的归纳偏差提供结构。通过应用在各种物理问题中展示了该框架的有效性。
Sep, 2020
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
介绍一种新的不受模型限制的异常检测技术，利用现代机器学习算法，应用于双喷注谐振搜索，将仅有的 2sigma 超出量变为 7sigma 超出量，从而找到与现有物理模型不符的中间 BSM 粒子。
May, 2018
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
利用粒子物理过程的潜在空间结构，利用增强数据训练神经网络，从而实现在加速器实验中约束理论参数的多种推理技术，这些新技术比传统方法基于直方图的方法放置了更强的限制。
Apr, 2018
通过自动微分和符号回归的方法，从星体位置和速度快照中还原出自由形式的解析势能以及其下属的暗物质分布，这为探索物理规律提供了契机。
May, 2023
介绍了使用物理学方法来改进保护医疗记录等隐私数据的机器学习系统，采用张量网络架构来保证特定类型的保密泄漏并取得了相对较好的效果。
Feb, 2022
本论文提出了一种基于数据的新物理发现方法，使用神经新物理探测器（NNPhD）分解力场，将其表示为拉格朗日神经网络（LNN）和通用近似器网络（UAN），成功在玩具数值实验中发现了新物理，并演示了 NNPhD 如何与积分器结合，优于以前预测阻尼双摆未来的方法。
May, 2021