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

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

本文利用机器学习算法在时间域巡天数据中搜索天体物理学方面的发现，并提供了每个新观测源是可靠变亮源的概率性声明。通过 Palomar 暂现工厂的验证集，证明了该算法的性能好，并且不易受到训练数据错标签的影响。

Sep, 2012

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

本文提出了两种基于神经网络的瞬变分类方法，并通过对真实观测数据的测试发现，这两种方法均可以达到超过 94％的分类准确度，但它们对于不同目标具有不同的分类特性。基于这一结果，我们建议使用集成学习方法进一步提高分类准确性至超过 97％。

Apr, 2019

本研究利用机器学习算法实现了基于光度测量的新型超新星分类方法，探讨了不同特征提取方法与机器学习算法的组合方式，并使用模拟光度曲线数据进行测试，发现了一种不需要紅移信息的新方法。

Mar, 2016

采用高斯过程回归对～LSST~ 发现的新天文现象的光变曲线进行预测，利用增强型决策树分类器实现光度学分类，降低了光谱训练集偏差对分类器的影响。

Jul, 2019

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

本研究使用卷积神经网络（CNN）对斯隆数字天空调查中的类星体进行分类和检测，以及预测类星体的光度红移，并结合随机森林分类器提高准确性，相较于其他分类器表现显著提高，在未来的大数据库例如大型巡天望远镜中具有很好的应用前景。

Dec, 2017