Machine-learning techniques for model-independent searches in dijet final states
Diese Arbeit präsentiert und evaluiert auf maschinellem Lernen basierende Methoden zur Anomalieerkennung für modellunabhängige Suchen nach neuer Physik in Dijet-Endzuständen unter Verwendung von 13-TeV-Proton-Proton-Kollisionsdaten des CMS-Experiments und demonstriert deren Wirksamkeit bei der Identifizierung anomaler Jets und geboosteter Top-Quarks, ohne sich auf spezifische theoretische Modelle zu verlassen.