该研究使用公民科学项目的志愿者与卷积神经网络相结合的方法，进行近实时的超新星识别并优于单独使用任一方法，对未来瞬变搜索的发展具有重要意义，尤其是在 LSST 和其他大通量调查的时代。

Jul, 2017

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

本文主要介绍了天文学中大数据和机器学习的应用，重点讲解了监督机器学习和无监督机器学习两种算法，包括数据预处理、评估方法、支持向量机、随机森林、浅层神经网络、聚类分析、降维、可视化和异常检测等方面，旨在提高天文学家使用这些工具从海量数据中挖掘新知识的能力。

Apr, 2019

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

本文使用机器学习算法对开放超新星目录的光度数据进行自动异常检测，并通过管道流程识别 33％的异常天体，其中包括超亮超新星，非经典 Ia 型超新星，不寻常的 II 型超新星，一个活动星系核和一个二进制微引力透镜事件等等。

May, 2019

机器学习可以在太阳物理学中应用，帮助我们更深入地了解太阳大气中发生的复杂过程，并通过更复杂的模型来解释数据以及通过自动化分析太阳数据，减少人工劳动，提高研究效率。

Jun, 2023

本文回顾了数据挖掘和机器学习在天文学中的应用现状，介绍了常见的机器学习算法，以及数据挖掘在天文学中的广泛应用。文章指出，只要选择合适的算法并遵循天文学问题的引导，数据挖掘可以成为一种强大的工具，而不是一个可疑的黑盒子。

Jun, 2009

文章介绍了一种半监督机器学习方法，使用扩散映射技术和随机森林分类器对超新星光度学数据进行分类，并可在得到新数据时更新分类模型。通过在 Kessler 等人模拟的数据上验证，该方法在 Ia 型超新星中可以达到 95% 的纯度和 87% 的效率，在 photometric 模拟中的效果较弱，只有 50% 的纯度和 50% 的效率。作者还研究发现，选择更深度的光谱数据可以提高模型的纯度和效率。

Mar, 2011

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