- 基于贝叶斯推断的 ABCD 方法改进与泛化
通过使用贝叶斯机器学习工具，利用预先知识和事件层面的不同可观测量之间的依赖关系，将可用信息与常规的基于数据的 ABCD 方法相结合并推广，可以更好地描述由信号和许多背景组成的数据集，并从中提取信号、背景及其在样本中相对比例。
- 利用扩散模型改进新物理搜索的事件可观测量和喷注成分
采用新技术 Drapes 提高 LHC 上对新物理的敏感性，通过在旁边数据上训练扩散模型，生成信号区域的背景模板，应用于 LHCO 双喷注数据集上的共振狩猎，并取得了最先进的高水平输入特征背景模板生成性能，同时通过使用喷注成分进一步提高对信 - 最大似然估计构建未观测区域的 CURTAINs Flows For Flows 方法
本文提出了一种新的方法来构建背景数据模板，通过最大似然估计训练两个侧带区域之间的条件归一化流，可用于在 LHC 中搜索新物理过程。该方法比之前的方法更具鲁棒性和准确性。
- 更好的潜变空间使得自编码器更优秀
该论文利用高斯混合和狄利克雷潜空间从 (变分) 自编码器的潜空间中推导分类器以解决自编码器在 LHC 异常寻找中的单向处理问题，并提高了网络的性能和可解释性。
- 使用 DeepJet 进行喷注物味道分类
本文提出了一种新的模型 DeepJet，利用现代深度学习技术解决了以往方法存在的输入大小限制，从而在高能物理实验中对于喷气风味分类和夸克胶子标记方面取得了较好性能。
- 多元新物理学习
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。
- 如何使用 GAN 消除探测器效应
本文介绍如何使用生成网络逆向模拟探测器效应等过程产生的事件，从而统计上反演蒙特卡罗模拟。此外，还介绍了最大均值失配损失如何被阶段性地或抑制地应用。
- JEDI-net：一种基于交互网络的喷注鉴别算法
使用基于交互网络的喷注识别算法 (JEDI-net)，研究了高动量重粒子的全强子衰变在 LHC 中的性能，并将其与源自夸克和胶子的普通喷注区分开来。与其他架构不同，这些 JEDI-net 模型在没有对稀疏输入喷注表示进行特殊处理，广泛进行预 - 如何利用生成对抗网络生成大型强子对撞机实验 (LHC) 事件
利用生成对抗网络为 LHC 的事件生成补充生产物理事件，避免低效的事件去权重。本文针对顶夸克对生成展示了如何使用这样的网络描述中间态粒子，相空间边界和分布的尾部，并引入了最大均值距离来解决急剧局部特征。该方法可以直接扩展到包括偏离质壳贡献， - DijetGAN：一种用于 LHC QCD 双喷注事件模拟的生成对抗网络方法
使用基于卷积神经网络的生成对抗网络（GAN）来模拟 LHC 上配对喷注的产生，经演示，该生成器网络可以在 Monte Carlo 真实级别和探测器模拟后重现多个运动分布。
- CMS 探测器在 13 TeV pp 碰撞中重味道喷注的辨识
本文介绍了 CMS 实验在质心能量为 13TeV 的质子 - 质子碰撞中，用于识别重味喷注的鉴别变量和算法，并开发出新的算法以提高重味喷注鉴别的效率和精确度，同时还实现了对包含两个 $b$ 强子的喷注和 $c$ 喷注的鉴别，目前以 15% - LHC Run II 的夸克型粒子分布
使用广泛的实验数据和深入研究的方法，确定了 NNPDF3.0 中的粒子分布函数，这一结果能够对阐明 LHC 的目标产生深远影响。
- 树级和次领阶微分截面的自动计算及与部分子淋浴模拟的匹配
本文介绍了一个能自动化计算树级和次领阶截面的程序 MadGraph5_aMC@NLO，能匹配部分子级联，合并匹配样本。演示了该程序在 LHC 和 1TeV $e^+e^-$ 对撞机中的应用，并展示了其灵活性、高度并行和物理量输入的人为干预程 - 调整 PYTHIA 8.1：Monash 2013 的调谐
更新了 PYTHIA 8 事件发生器的参数，并利用 LEP 和 SLD 的约束条件重新评估了强子化，特别是与重夸克的裂变和奇异度产生相关的约束条件，同时结合来自 LHC 的最小偏差，Drell-Yan 和基础事件数据来限制初始状态辐射和多粒 - Tevatron 和 LHC 的喷注次级结构：新结果、新工具、新基准
本文回顾了 Tevatron 和 LHC 中喷注亚结构的最新理论进展和实验结果，阐述了计算和模拟工具的现状和前景，重点讨论了称为 “顶标记器” 的变量和修整方法组合的一组基准比较，并尝试收集、协调和发布这些技术的软件实现，以促进进一步的探索 - 矩阵元方法与量子色动力学辐射
本研究针对 LHC 中 QCD 辐射的效应和多重不可见粒子的存在，提出了几种用于纳入 QCD 辐射效应的矩阵元方法，相比标准方法，本文方法在质量测量方面得到了显著改善。
- LHC 新动力学的运动学变量
本研究为 LHC 的新物理奠定基础，通过引入一组新的无量纲变量和质量维度的变量，加快了对类似于 SUSY 场景中质量粒子的成对产生、衰变过程的表征速度。