MMApr, 2020

高能天体物理实验数据库瞬态事件数据挖掘的计算理论方法

PDF
TL;DR本研究提出了一种基于计算机科学技术，如数据挖掘和数据库知识发现，针对高能天体物理实验导出的大型数据库进行信息搜索、识别、提取和发现预期信息和意外信息的计算形式模型。
transient eventsgrbsdata miningknowledge discoveryhigh energy astrophysics
发现论文，激发创造
  • 深度学习用于伽玛射线暴：空间望远镜 X / 伽玛射线分析的数据驱动事件框架

    该论文主要介绍天文学中伽马射线暴（GRBs）的概述、检测仪器、人工智能在 GRBs 的应用，包括文献综述和未来前景；通过引入新的数据驱动框架 DeepGRB，介绍了神经网络在高能探测器中背景计数率估计的方法，以及 FOCuS-Poisson 算法在异常检测中的应用。通过 DeepGRB 处理数据，证实了目录事件并发现新事件，提供了定位、持续时间和分类的估计分析，并采用机器学习技术进行自动分类方法，结合可解释的人工智能以识别潜在偏见。

    Jan, 2024

  • 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

  • 天文学中的数据挖掘与机器学习

    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

  • 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

  • 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

  • 暗能量调查中的自动瞬变识别

    本文利用随机森林的监督学习算法识别光学图像中的点源暴变和移动物体，经过实验表明，这种算法可以大幅度减少肉眼搜索需求，同时只能损失极少的人工注入的 Ia 型超新星事件，可在未来时间域成像调查中指示管道设计决策。

    Apr, 2015

  • 使用人工和机器综合分类的短暂搜索

    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

  • 不确定事件数据的过程挖掘

    本研究旨在开发处理特殊事件数据的过程挖掘技术，特别是不确定性事件数据，通过回顾现有文献，定义未来展望，为该研究课题奠定基础。

    Apr, 2022

  • BayesWave：用于引力波爆发和仪器故障的贝叶斯推断

    采用贝叶斯方法建立多组件、可变尺寸、参数化噪声模型，以显式考虑干涉引力波探测器数据中的非定态性和非高斯性，并利用 Morlet-Gabor 连续小波框架模拟仪器瞬变和引力波爆发源，与 BayesLine 算法相结合模拟高斯噪声和尖锐线特征。

    Oct, 2014

  • 利用深度学习探测相对论重离子碰撞中的临界性

    利用普适性原理，我们可以将基于 3D Ising 模型的临界相关性嵌入到重离子碰撞的模拟数据中，从而通过动态边卷积的点云网络实现对具有临界波动的事件的识别和决策。

    Jul, 2021