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

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

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

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

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

本文研究使用不存在标签分类来进行异常检测，并设计了一种假设检验方法来排除仅有背景假设。通过测试两个数据集区域的统计独立性，我们能在不依赖定量异常得分或区域间背景估计外推的情况下排除仅有背景假设。我们的方法依赖于异常得分特征和数据集区域的条件独立性假设，这可以通过使用现有的去相关技术来保证。我们以 LHC Olympics 数据集为基准示例，证明互信息是测试统计独立性的合适方法，并且我们的方法即使在实际特征相关性存在的情况下，在不同信号分数下也表现出良好且稳健的性能。

Oct, 2022

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。

Jul, 2018

本文提出了一种基于统计物理学的半监督学习方法，采用多重正则化马尔可夫链蒙特卡罗算法进行采样，估计分类分布而非唯一的最小 k-way 切割，进而实现对点的软指派和未知分类的应对，实验采用一组玩具数据集和两组基因表达的实际数据集进行验证。

Apr, 2006

本研究使用自动化和无监督的机器学习探索相图，以确定可能出现新相的感兴趣区域。作为范例，我们使用深度神经网络在扩展 Bose-Hubbard 1D 模型中完全无监督和自动化的确定整个相图，发现超固体和超流体部之间的相分离区域具有意想不到的性质，并揭示了超过标准的超流体，Mott 绝缘体，Haldane 绝缘体和密度波相。

Mar, 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