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

本文介绍了无监督学习的自我监督表 征学习技术可以用于实现常见异常检测任务的最先进性能，并且提出在表示学习方面实现下一代异常检测任务需要新的技术和概念改进。

Oct, 2022

本文提出了一种使用多假设自编码器来更高效地学习前景数据分布的异常检测框架，同时使用辨别器来批判模型，并在多个假设之间强制多样性，在 CIFAR-10 上取得了 3.9％的提高，并将基线模型的误差从 6.8％降低到 1.5％。

Oct, 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

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

本文提出了一种新颖的概率混合模型用于异常检测，建立了表示学习、聚类和异常检测之间的理论联系，并通过最大化一种新颖的考虑异常数据的数据似然性，使表示学习和聚类能够有效减少异常数据的不良影响，并共同促进异常检测。通过受物理中的引力分析启发，还设计了一种改进的异常分数，更有效地利用表示学习和聚类的联合能力。在包括 30 个不同数据集的 17 种基准方法的广泛实验中，验证了所提方法的有效性和泛化能力，超过了现有技术方法。

Jun, 2024

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

本文提出了一种基于扩散模型的置换不变密度估计器，特别是为了应对具有可变长度输入的物理数据，这种方法在感知不变性和可变长度输入方面具有优势，在异常探测领域具有良好的效果。

Jun, 2023

减小理论假设与实际训练数据之间的差距，并提出一个学习框架来改进正常性表示，通过识别样本的正常性，并在训练过程中迭代更新样本的重要性权重。还提出了终止条件，受到异常检测目标的启发。通过在多个受污染数据集上进行实验证明，该框架提高了三种典型异常检测方法的鲁棒性。

Sep, 2023

本文介绍了两种方法来解决实际应用中时间序列异常检测的需要，并结合自回归 (AR) 模型进行代表性学习、鼓励区分常态和少量正样本的表征的损失函数分量，将所提出的方法应用于两个工业异常检测数据集，并与文献中的方法进行了比较。此外，本研究还指出了采用此类方法在实际应用中所面临的其他挑战。

Jul, 2022