Jan, 2018

基于机器学习的经纪人用于 LSST 警报流的实时分类

PDF
TL;DR本文介绍了一种机器学习方法，采用可用的光学多波段光度测量特征对宇宙学事件进行分类、表征和优先级排序，该方法适用于实时监听和处理大型天文调查过程中产生的异常事件流。
large synoptic survey telescopealert-brokersmachine learning pipelineastronomical eventsreal-time broker
发现论文，激发创造
  • 大规模数据流中天文巡天的实时自动分类与决策

    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

  • ALeRCE 经纪系统的警报分类：实时戳分类器

    本文介绍了基于卷积神经网络的实时邮戳分类器，用于 ALERCE 代理商的天文事件分类。使用科学、参考和差异图像以及警报元数据作为特征，可将活动星系核、超新星、变量星、小行星和假分类正确分类。同时，作者还设计并部署了可以显示有关每个可能超新星的相关信息的可视化工具 SN Hunter，该工具可用于报告 ZTF 警报流中的超新星候选对象，有助于快速警报分类，为大型望远镜的下一代提供了重要的里程碑。

    Aug, 2020

  • 自动概率分类瞬变和变量

    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

  • 在天巡成像时代自动发现和分类瞬变和变星

    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

  • 利用机器学习在全景调查成像中进行探索

    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

  • ALeRCE 经纪人系统的警报分类：光变曲线分类器

    ALeRCE 是一个基于随机森林算法的光变分类器，使用 ZTF 提供的可变性特征和 AllWISE 和 ZTF 的光度学颜色来分类多种类型的随机变量和周期性变量。该分类器能够处理 ZTF 的大量数据，为源提供实时更新的分类结果。

    Aug, 2020

  • Avocado: 借助高斯过程增强光度分类天文新现象

    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

  • 基于分类器的多类异常检测方法用于天文暂现现象

    利用神经网络分类器的倒数第二层作为潜在空间来检测异常，引入一种名为多类孤立森林的新方法，在给定分类器生成的潜在空间表示下，为光曲线导出异常得分，该方法明显优于标准的孤立森林，并在实时异常检测中有效地重用了分类器。

    Mar, 2024

  • RAPID: 基于深度学习的爆炸式瞬变早期分类

    RAPID 是一个用于时间序列分类的深度递归神经网络工具，可自动从初始警报的一天内到完整光度曲线的整个生命周期内识别瞬变现象，并且无需从数据中提取计算量昂贵的特征，因此非常适合处理 ZTF 和 LSST 等广域巡天发现的数百万警报。

    Mar, 2019

  • 星系短暂现象主动异常检测的深度学习方法

    本文介绍了使用变分递归自编码器神经网络对模拟的多波长观测数据进行编码来进行实时的引力透镜普查天文学研究，该方法在未标记和混乱的数据上具有显著的优势，并通过分析异常得分排除了一些干扰信号，最终提取出稀有、高纯度的暂变事件样本，这意味着该算法在 Rubin 天文台实时观测中具有重要的应用潜力。

    Mar, 2021