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

本文回顾了 LHC Olympics 2020 这一基于数据驱动和模型无关的新物理搜索新范式，它利用了异常检测和机器学习的最新突破，包括比赛概述、部署方法的描述、经验教训和对未来数据分析及未来对撞机的启示，并提到了开发标准数据集对于在该框架内开发和基准测试新的异常检测方法的至关重要性。

Jan, 2021

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

本文针对网络环境下的异常检测问题，通过系统分析已有的公共和私有基准数据，探索了其时态性、多变量性和空间属性特征，并提出了基于聚类的简化标注方法，实验结果为 2-10 倍。

Nov, 2022

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

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

该研究提出了一种使用深度生成模型，Adversarial autoencoder (AAE) 和 variational autoencoder (VAE)，来检测旨在检测不规则分布的群组异常。实验结果表明，该方法在检测实际数据集中的群体异常方面有高的准确性和鲁棒性。

Apr, 2018

本文使用机器学习算法对开放超新星目录的光度数据进行自动异常检测，并通过管道流程识别 33％的异常天体，其中包括超亮超新星，非经典 Ia 型超新星，不寻常的 II 型超新星，一个活动星系核和一个二进制微引力透镜事件等等。

May, 2019

本文综述了现代深度学习技术在图异常检测中的应用，编译了开放资源的实现、公共数据集和常用评估方法，重点强调了 12 个未解决和新兴的研究问题和现实世界的应用。

Jun, 2021

使用神经密度估计的新型无监督异常检测技术 ANODE，在区分信号区域和旁带处估计概率密度，并将旁带差值插值到信号区域，构建数据对背景的似然比，从而对局部异常的过密度进行广泛敏感。在 LHC 2020 奥林匹克研发数据集上进行实验证明，相对于其他方法，ANODE 对信号区域和旁带之间的系统差异具有更广泛的适用性，可以将 dijet 波峰探测的显著性提高多达 7 倍，在背景预测准确率为 10％时。虽然 LHC 被用作反复的示例，但此处开发的方法在物理和其他领域的异常检测中具有广泛的适用性。

Jan, 2020