该研究介绍了 Gaia DR2 卫星提供的全天观测数据，通过对 550,737 颗变星的分析得到，其中 151,761 颗为长周期变星，且其中约五分之一为红巨星 Mira。研究者从样本对比和观测数据分析中，对该星系的变星类型和年龄做了初步的定量分析，其中提出了关于视差相关的长周期变星属性的注意事项，分析表明该数据与文献中的数据具有较高的一致性。

May, 2018

通过 ESA Gaia 任务获取到的超过 16 亿颗 G~21 mag 恒星的时间序列数据，揭示出恒星的多种变异类型及其对星等等的影响，为此提出了变异星类、变异星密度及变异幅度等指标，并提供最全面的 CaMD 变异诱导运动特征描述，为了更好地理解天体物理学提供了前所未有数量级的恒星变异信息。

Apr, 2018

该文介绍了欧洲空间局的 Gaia 航天器及其 Data Release 2 (DR2) 数据，其中包含了 14,099 个太阳系物体的观测数据。论文着重讨论了关于这些数据的处理与精度评估，以及利用它们探测细微非引力效应的可行性。

Apr, 2018

在 Catalina Surveys Data Release-1 中，我们发现并分析了 542 万个变星候选者中的约 47,000 个周期变星，包括 RR Lyrae 星。通过与其他调查交叉匹配，我们发现此调查区域中 >90％ 的～8,000 个已知周期变量得到了恢复。我们追踪了萨吉塔里斯潮汐流在银河暗物质中的路径，并发现了很多长周期变星与该系统有很大的关联性。

May, 2014

通过卷积神经网络，该论文提供了一种高效、高性能的方法，能够在大规模存档搜索中进行预测和识别短周期变量，从而揭示了短周期主序双星和 Delta Scuti 星等两个主要种群的特征。

Feb, 2024

通过对 10,000 平方度北部天空的 LINEAR 巡天数据进行 SDSS 光度校正，我们选择了大约 200,000 个最有可能的候选变量，并使用分阶段的灯光曲线对大约 7,000 个定期变量进行了目测确认和分类。最终的周期性 LINEAR 变量样本主要由 3,900 个 RR Lyrae 星和 2,700 个各亚型的掩星双星组成，包括一小部分相对罕见的红巨星分支星和 SX Phoenicis 恒星等。

Aug, 2013

通过分析 WISE 全任务单次曝光源数据库中先前的光变调查（MACHO、GCVS 和 ASAS）中标识的 8273 个变星的光变曲线，利用傅里叶分解技术并结合其他周期性光变特征训练一个基于随机森林（RF）方法的机器学习分类器，成功分类三种最常见的 WISE 变星类型：Algols，RR Lyrae 和 W Ursae Majoris，分类效率分别为 80.7％、82.7％ 和 84.5％。

Feb, 2014

使用机器学习技术对光学光变曲线进行分类，并将其分为 Delta Scuti、RR Lyrae、Cepheid、Type II Cepheid、eclipsing binary、long-period variable、non-variable 等七大类及其子类，分类准确率最高可达 0.98。

Dec, 2015

本研究利用 CARMA 模型通过对 13 个亮的 BLAZARgamma 射线光变的 PSD 进行分析，证明了存在于四个源的尺度为 1 年的低频断点和一个源的 9 天的高频断点。

Sep, 2019

该方法提出了使用可变对象的 SDSS Stripe 82 光曲线数据分离类星体和其他可变点源的方法，并通过阻尼随机游走模型的结构函数参数化来描述类星体的变异性，论文表明可变性的选择方法在选出类星体的过程中具有重要作用。

Sep, 2010