光度曲线的深度学习分类
本研究应用深度循环神经网络对超新星进行分类，使用的输入数据是观测时间和滤波器的波长，但也可以包括附加的数据。结果显示能够获得高准确率的结果，但对训练集的要求较高。
Jun, 2016
本文研究了宇宙学中通过机器学习进行分类的方法，在超新星现象中，使用卷积神经网络进行I.a超新星与非I.a超新星的二元分类，提出两种卷积神经网络分别应对超新星光变曲线的时间序列和数据稀疏的问题，并达到了当前最先进的水平。
Jan, 2019
本文提出了一种基于深度学习的、端到端的自动变星分类算法，通过将光变曲线转化成矩阵表示来学习特征并实现自动分类，取得了与随机森林分类器相当的准确率，但计算速度更快、可扩展性更强。
Feb, 2020
利用卷积神经网络方法，通过观测亮度数据，识别显著对象——超新星的时间序列，并通过高斯过程回归平滑波长时间方向，实现了对全周期和截断型超新星的回顾性和实时分类。
Jul, 2022
本文提出了一种基于深度学习的新方法ConvEntion，它利用天文图像时间序列中的时空特征对不同类型的天文空间物体进行直接分类，相较于其他基于图像时间序列及光度曲线的方法，该方法取得了13%至12%的准确率提升。
Apr, 2023
星体震荡、颗粒化、光曲线、机器学习和Astroconformer构成了这篇论文的主要研究内容。
Sep, 2023
利用弱监督目标检测模型，通过深度学习框架对光变曲线进行分类，自动提取时间域和频率域数据进行特征提取，以实现对不同尺度和采样间隔的数据处理，达到了87%的准确率，无需重新训练或微调，并结合适应性预测确保真实标签覆盖和异常检测算法识别外分布对象，为研究者提供了一个简化设计自定义分类器任务的通用框架。
Nov, 2023
利用距离度量方法进行时间域天文分类的研究，开发了一种名为DistClassiPy的新的基于距离度量的分类器，该分类器在提高分类结果的可解释性和降低计算成本方面表现出色。
Mar, 2024
利用机器学习深度学习技术，本研究评估了基于深度学习和大型语言模型的自动分类变星光变曲线模型的性能，并在天文学应用中展示了高准确率和多模态模型的发展。
Apr, 2024