介绍现代机器学习在粒子物理领域的应用，重点关注大型强子对撞机中的信号 / 背景识别任务，包括使用监督学习和直接数据驱动方法等。文末还讨论了该领域存在的挑战和未来发展方向。

Mar, 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

本文讨论机器学习在粒子物理学研究中的应用前景和可行性，并详述实现机器学习在粒子物理学上开发所需的软硬资源、与数据科学社区、学术界和产业界的合作倡议以及对粒子物理学界在数据科学培训上进行的工作。旨在将研究和开发与物理驱动器连接起来，并确定实现它们的资源需求，以及其他社区的合作领域。

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

该研究探讨了在量子技术方面，异常探测的重要性并提出了通过机器学习算法（如核主成分分析和一类支持向量机）来实现异常探测。在底层量子逻辑上寻找对应的量子算法，并证明了这两个量子算法的资源需求可以对量子状态的维数以及用于训练机器学习算法的量子状态数量取对数。这使得这些算法可用于处理大规模的量子数据。

Oct, 2017

本文介绍了使用深度学习方法来区分高能粒子对撞机中的信号和背景，不需要人工构建非线性特征，但仍然比当前最佳方法提高 8% 的分类指标。

Feb, 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

在本研究中，我们介绍了一种新颖的粒子鉴别（PID）方法，适用于 CERN 的大型强子对撞机上的 ALICE 实验。我们提出的方法可以使用所有可用的数据示例进行训练，包括不完整的数据，从而提高所选样本的 PID 纯度和效率。

Dec, 2023

本文介绍机器学习和深度学习在高能物理数据分析中的应用，包括神经网络核心概念、LHC 数据分析的关键结果以及未来的前景和担忧。

Jun, 2018

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