基于机器学习算法，自动发现具有变化的天空中的实体并进行科学分类的框架，适用于 Palomar 短暂工厂（PTF）调查和其他现代综合成像调查，最近一年的自主操作已导致几个重大的科学结果。

Jun, 2011

通过基于 PCA 的机器学习算法对短暂成像数据进行分类，可以实现 96% 的完整度和 84% 的准确度，并且在未来的天文调查中将大力发展完全机器化的解决方案。

Jul, 2014

介绍了一种用于原型事件分类系统的方法学，其中涉及贝叶斯和机器学习分类器，自动合并后续观测的反馈，并实现区分或定向后续请求，该方法可能对未来的大型系统观测任务至关重要。

Feb, 2008

该研究报告介绍了使用机器学习进行天文学突发事件的实时分析和响应的方法，以及将来可能的发展，以应对数据集增长的挑战。

Jul, 2014

本研究提出了一种基于卷积神经网络的深度学习模型，通过灵活的数据增强和无需特征的卷积层，能够高效准确地实现光变星分类。

Oct, 2018

该研究使用公民科学项目的志愿者与卷积神经网络相结合的方法，进行近实时的超新星识别并优于单独使用任一方法，对未来瞬变搜索的发展具有重要意义，尤其是在 LSST 和其他大通量调查的时代。

Jul, 2017

本文介绍了一种基于现代机器学习技术的可变星分类方法，该方法利用光变曲线的特征进行无监督分类，并通过随机森林分类器获得了 22.8％的总体分类错误率，在发现脉动变星和掩星系统方面表现出极高的效率。

Jan, 2011

太阳系小天体的科学研究最终从对这些天体的搜索开始。本章对使用机器学习技术在天文图像中寻找移动天体（包括自然和人造天体）的方法进行了综述。综述包括了传统非机器学习技术的简要回顾以及相对不成熟的机器学习文献中的三大类方法：流迹检测、图像序列中移动点源的检测以及位移堆叠搜索中移动源的检测。在大多数情况下，人们使用卷积神经网络，这是很自然的选择。文章还介绍了两个例子网络：一种我设计的残差网络，用于各种位移堆叠搜索，以及一种专门设计用于预测源亮度及其不确定性的卷积神经网络。在讨论文献和例子网络时，我还讨论了机器学习技术的各种潜在问题，包括过拟合的重要问题。我还讨论了与机器学习技术相关的各种陷阱以及在将机器学习应用于新问题时的最佳实践方法，包括创建稳健的训练集、验证和避免过拟合的训练方法。

May, 2024

通过使用监督深度学习算法，将光谱和空间维度相结合，我们开发了一种新的方法，以提高积分场谱学（IFS）数据集的高对比度外行星的检测灵敏度。在将光谱维度转化为径向速度维度后，机器学习算法的真阳率受径向分离变化的影响较小，能够减少误报并提高对直接成像行星在 IFS 数据集中的检测限制。

May, 2024

本文利用随机森林的监督学习算法识别光学图像中的点源暴变和移动物体，经过实验表明，这种算法可以大幅度减少肉眼搜索需求，同时只能损失极少的人工注入的 Ia 型超新星事件，可在未来时间域成像调查中指示管道设计决策。

Apr, 2015