iml-wg/HEPML-LivingReview

解决的问题

机器学习正以快速步伐应用于粒子物理学的各个领域，但该领域缺乏一份可信的文献地图。希望将深度学习应用于实验、现象学或理论分析的研究者，面对大量分散在期刊、预印本和会议论文集中的论文，往往感到不知所措。本项目通过提供一份近乎全面的、精选的引用列表，并将其归入少量实用类别，解决了这一问题，使从业者能够快速找到最相关的工作。

工作原理

该综述是一份由 HEP-ML 社区维护的动态文档。论文从 INSPIRE 文献数据库收集，然后按少量主题组织，以保持列表的实用性。每篇论文都附有 arXiv 或 DOI 链接，如果涉及多个主题，可能会出现在多个类别中。分类由社区完成，而非自动化过程。项目已于 2026 年 6 月 1 日冻结，最终存档版本可在 Zenodo 上获取。PDF 和源文件可自由访问，鼓励用户使用提供的 BibTeX 键引用存档版本。

适用对象

本资源适用于在高能物理中开发或应用机器学习技术的任何人，包括实验学家、现象学家和理论家。对于需要全面起点的教育者、学生和进入该领域的研究者，它也很有用。综述包括经典论文、现代综述、专题综述、数据集以及按技术方法分组的论文，因此既服务于新手，也服务于寻找特定方法或应用的经验丰富的从业者。

亮点

• 近乎全面的文献覆盖，冻结于 2026 年 6 月，捕捉了当时该领域的状况。
• 论文归入少量清晰类别，包括综述、数据集、参数化分类器、喷注图像以及许多其他专题。
• 由社区参与和 INSPIRE REST API 构建，使策展具有协作性和透明性。
• PDF 和 GitHub 仓库可自由访问，并在 Zenodo 上提供永久存档版本，便于稳定引用。
• 包括现代和经典论文，从早期神经网络包到前沿深度学习和基础模型。
• 论文不经过综述的认可；分类是尽力而为的组织，验证留给同行评审和社区。