卢致廷，南京师范大学副教授，于2015年获得清华大学(新竹)博士学位，之后分别在台湾的理论科学中心和韩国高等研究院进行博士后研究，于2022年加入南京师范大学高能物理团队。他的主要研究领域包括对撞机物理现象学、希格斯物理、暗物质等。

随着LHC实验数据量以及信号复杂度不断地增加，传统的剪-数分析方法(cut and count)在许多情况下将不再适用。特别是在信号与背景相似的情况下，如何萃取出相关的信号有很大的挑战性，此时机器学习的分析方式将会有效地增加信号与背景的分辨率。在这个报告中，我们首先介绍三种经典的机器学习分析方法：提升决策树、卷积神经网络、能量流网络，接着探讨两类新物理模型如何分别产生独特的光子喷注和包含多陶子、多粲夸克喷注的信号类型。这两类信号类型尽管独特，但是在LHC的环境下，不易与背景分离。因此，我们使用以上三种经典的机器学习分析方法，展示如何将信号有效地与背景分离。