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

通过对光变曲线进行二维图像表示，并使用基于深度学习的卷积神经网络分类器进行分类，实现了对天体多样化的快速分类。

Sep, 2017

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

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

本文介绍了一种基于现代机器学习技术的可变星分类方法，该方法利用光变曲线的特征进行无监督分类，并通过随机森林分类器获得了 22.8％的总体分类错误率，在发现脉动变星和掩星系统方面表现出极高的效率。

Jan, 2011

本研究提出了一种使用深度卷积神经网络的恒星 - 星系分类框架，可直接基于像素值进行学习，避免了人工特征工程需求，并且能在 SDSS 和 CFHTLenS 数据集上取得与传统机器学习技术相竞争的准确和可靠的概率分类结果。

Aug, 2016

利用循环神经网络自编码器进行无监督特征提取和双用途评估网络进行监督分类和新颖性检测，从而构建了周期光变曲线分类器，并证明了自编码器和估计网络的同时训练互惠性，取得了更快的自编码器收敛速度、更好的分类和新颖性检测性能，同时估计网络即使在使用预训练自编码器特征进行优化时也可以提供额外的新颖性检测能力。

May, 2019

本文介绍了一种基于自编码递归神经网络的自监督分类模型，它通过对光学变星数据的学习提取特征，能够在天文调查中有效地发现和分类变量星和瞬变现象，并可应用于其他无监督任务，例如预测和异常检测。

Nov, 2017

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