機器學習與模型無關的信號發現：橋接理論與實踐的差距

研究論文提出，在複雜科學數據中搜索新現象時，傳統的搜索方法多依賴於模型假設，針對特定假設進行優化，因此對可能的信號空間覆蓋有限。近年來，基於 AI 的模型無關搜索策略應運而生，這些策略最初在高能物理學中應用，提供了一個互補的範式，優先廣泛探索而非定制分析。論文指出，這些技術有機會增強現代實驗的整體發現潛力，尤其是在理論指導稀缺的情況下。文檔評估了主要類別的 AI 模型無關策略的概念框架，包括異常檢測和生成模型等方法，並討論了這些方法的潛在陷阱以及驗證和解釋的策略。此外，論文探討了如何在實際實驗中適用這些策略，以及如何解釋結果以避免誤導。總體而言，這項研究旨在為實踐者和對學習這些模型無關搜索策略感興趣的研究人員提供有用的參考，推動 AI 在跨學科科學發現中的創新應用。