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

尽管除了粒子物理的标准模型（BSM）以外，物理学方面的理论动机也很广泛，但在“大型强子对撞机”上的搜索并未发现有关BSM物理学的重要证据。 因此，必须扩大搜索程序的灵敏度以包括意外情况。 我们提出了一种新的与模型无关的异常检测技术，该技术自然受益于现代机器学习算法。 对于该新过程，对信号的唯一要求是将其定位在相空间中的至少一个已知方向上。 与本地化方向不相关的任何其他相空间方向都可用于搜索意外特征。 将该新方法应用于dijet共振搜索，以表明对于带有中间BSM粒子的模型（当前尚未由专用搜索作为目