异常检测旨在识别偏离标准模型预期的碰撞事件，是大型强子对撞机寻找新物理的关键模型无关策略。利用学习得到的低维表征搜索稀有事件可以避免事先设计手工可观测量，但也失去了这些可观测量的直接物理解释。为使异常检测能够进入发现流程，必须对被标记的事件进行局部诊断，以区分潜在新物理、建模误差或探测器效应，并找出可用于后续靶向搜索的可观测量。
我们在 COLLIDE-2V 数据集（7.5 亿事件，模拟了高亮度 LHC 的真实条件）上评估了监督式和自监督式神经嵌入方法。异常分数采用在学习的潜在空间中训练的自编码器的重构误差。对比多种配置和基准信号，利用仿真过程标签进行训练的监督目标普遍优于自监督方法，并在最佳配置下超越直接在动能特征上训练的自编码器，使得在 10% 背景接受率下的信号效率在所有留出过程上均得到提升。
进一步，我们提出了一套局部诊断流水线：首先在标准模型的潜在空间上拟合高斯混合模型（GMM），随后在不使用过程标签的前提下，通过高层可观测量对每个 GMM 成分进行剖析，定位异常事件，并依据局部判别能力对可观测量进行排序。该排序能够恢复留出过程的关键动力学特征；同时，将异常分数与同一可观测量的相关性用于量化分数对该特征的追踪程度，揭示出最具判别力的可观测量并不一定是分数最紧密跟随的量。
点评：该工作展示了在大规模 HL-LHC 模拟数据上，结合监督学习和局部统计模型的异常检测框架不仅提升了检测效率，还提供了可解释的诊断手段，为后续的物理分析和新物理搜索奠定了实用基础。