利用神经网络来估计星系样本的红移分布，得出它能够获得每个星系的概率密度函数，并通过 CFHTLenS 上的 58714 个星系进行实验，证明该方法在使用 5、4 或 3 个光学波段信息时能够提供真实 NZ 的极佳表示，并研究了训练目标样本数量不足和样本数据大小不一致的情况。

Dec, 2013

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

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

开发了一种能够从光度宽频带图像中预测光学星系光谱的生成式人工智能方法，并通过与观测光谱的对比显示了良好的一致性，该方法还能推断光度图像中的速度色散和活跃星系核的存在，并可以在大规模光度调查中获得科学上有趣的星系属性。

Jun, 2024

本文利用最近邻色匹配光度红移估计值的方法，结合 LSST 调查参数改变对测量误差的影响，研究了光度红移的变化情况，特别关注了大气折射对观测光度的影响，并证明了在明亮星系上测得的大气折射的作用是提高测定光度红移值的有效方法，希望此项工作能够指导 LSST 科学社区在调查过程中对光度红移最低质量的期望和准备。

Jun, 2017

本研究通过引入新的空间几何排除标准和扩大允许的光谱参数空间，并利用基于图像的深度学习方法进行实现，对重新电离时期的透镜星系进行了系统搜索，利用光谱能量分布的预选和卷积神经网络相对概率的计算方法，相结合，发现了 36 个新的透镜候选者。

Nov, 2022

应用 copula entropy (CE) 以提高光度红移的准确性，通过选择与高 CE 关联的测量结果来预测红移，并在 SDSS 类星体数据上验证了所提出的方法，实验结果显示相对于使用所有测量结果的实验结果，光度红移的准确性得到了提高，尤其对于红移较高的样本，选取的测量结果包括亮度幅度、紫外波段的亮度标准差以及其他四个波段的亮度。由于 CE 是一个严格定义的数学概念，其所得模型是可解释的。

Oct, 2023

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

利用基于卷积神经网络 (CNN) 的 QuasarNET 模型和数据增强技术，本研究通过确定 Laman Break Galaxies (LBGs) 是否是 LBGs 以及通过红移确定它们与地球的距离，进而将这些星系放置在 DESI 的 3D 地图上，提高模型性能并实现了高达 94% 的平均得分。

Jun, 2024

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