直接对数据进行训练时，粒子物理学中的机器学习技术最为强大，可避免对理论不确定性或预期信号的潜在偏差敏感。 为了能够在寻找新物理学的过程中训练数据，异常检测方法势在必行，这可以通过充当无监督分类器的自动编码器来实现。 然后，影响分类器的不确定性的最后来源是最终状态对象重建中的实验不确定性。 为了减轻它们对分类器的影响并允许对该方法进行实际评估，我们建议将自动编码器与对抗神经网络相结合，以消除其对最终状态对象拖影的敏感性。 我们对它的影响进行了量化，并表明可以在共振引起的t t≤t \ overli

机器学习是一种强大的工具，可以揭示和利用多维参数空间中的相关性。 从这种相关性进行预测是一项非常艰巨的任务，特别是当尚未完全理解理论模型的基本动力学细节时。 使用对抗网络，我们可以在训练过程中包括系统和理论不确定性的先验来源。 这为在逐个事件的基础上实现更可靠的事件分类铺平了道路，并为执行粒子物理数据的参数拟合提供了新颖的方法。 我们在一个示例中明确考虑了希格斯玻色子生产与喷头的有效场论扩展，明确证明了该方法的优势。