本文介绍一种基于机器学习和光变曲线推导出红移的方法，通过高红移超新星的光度分类实现对它们的分类，研究表明该方法在分类效果方面表现良好。

Aug, 2016

本研究提出了利用神经网络自动光度分类超新星为 Type-Ia 或 non-Ia 的方法，并基于 SNPCC 数据集进行训练和测试，得到了较高的分类准确度。

Aug, 2012

通过开发一系列光学曲线分类管道，并将新型参数分析模型拟合到数据中，使用特征提取方法、数据增强策略和机器学习算法预测每个超新星分类。其结果表明，对于所有超新星类型的平均准确率为 90％，平均纯度为 70％，平均完整性为 80％，特别是 Type Ia SNe 和 SLSNe 的最高成功率，Type Ibc SNe 的最低成功率。

May, 2019

本文介绍了如何利用机器学习方法对恒星爆炸现象进行光度分类，根据采集到的光谱信息，将数据分为五类不同的恒星爆炸类型，这对于未来的天体观测具有重要意义。

Aug, 2020

采用卷积神经网络基于多波段超新星光变曲线预测完整的红移概率分布以解决光谱资源不足的问题，并在模拟数据和观测数据中均显示出比现有方法更好的性能，最大化了光度超新星样本的宇宙学约束能力。

May, 2023

文章介绍了一种半监督机器学习方法，使用扩散映射技术和随机森林分类器对超新星光度学数据进行分类，并可在得到新数据时更新分类模型。通过在 Kessler 等人模拟的数据上验证，该方法在 Ia 型超新星中可以达到 95% 的纯度和 87% 的效率，在 photometric 模拟中的效果较弱，只有 50% 的纯度和 50% 的效率。作者还研究发现，选择更深度的光谱数据可以提高模型的纯度和效率。

Mar, 2011

该研究使用 Random Forest 算法通过 SN 颜色对 LSST 中的 SNe 进行了分类和红移估计，并成功获得可靠的光度红移估计，从而证明该方法可用于提高 SNe 在宇宙学探针中的能力。

Jan, 2017

SDSS-II 正在进行一项多年计划，通过反复五波段成像，在南银河盖的赤道附近，对中红移（0.05 < z < 0.35）的 Ia 型超新星（SNe Ia）进行识别和发现，进行了两个三个月的季节观测，已经发现和测量了超过 327 个 SNe Ia，成为该领域的重要研究之一。

Aug, 2007

此论文描述了 Sloan 数字天文巡天第二期超新星调查在 2005 年至 2007 年期间实施的数据发布。针对在赤道沿天空带中发现的所有亮度小于等于 r ~ 22.5 mag 且在 2004 年之前历史上没有变化的瞬变源，提供其光变曲线、光谱、分类和辅助数据，并针对其中的 889 个瞬变源执行了专用光谱观测，以及针对数千个瞬变源宿主星系使用了 SDSS-III BOSS 光谱仪进行了光谱观测，得到了最大样本的超新星候选者。本论文还提供了一种新的 SN 宿主星系识别方法，并从 SDSS 多波段光度中推导出宿主星系属性，包括恒星质量、恒星形成率和平均恒星族群年龄。本文为所有具有良好多色光曲线但未观测到光谱的候选者提供了光度学分类。从这些观测数据中，确定了 4607 个瞬变源确实可以是超新星。基于三年的超新星 Ia 样本的光谱确认子集，本文采用平直度 Lambda-CDM 宇宙学模型，推导出 Omega_M = 0.315 +/- 0.093（仅统计误差）和非零宇宙常数，达到 5.7 sigmas。

Jan, 2014

本文介绍了当前超新星（SNe）的分类方案和分类方法，其中主要包括丰富的 SN 类型和亚型。SN 类别基于其观测特性，包括可见光谱在最大光度附近以及其光度特性，而其长期目标是关联观测定义的类别与特定的物理爆发现象。

Nov, 2016