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

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

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。

Jan, 2018

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

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

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

介绍了 Alert Management，Photometry 和 Evaluation of Lightcurves（AMPEL）系统用于多通道天文学与新的高通量巡天数据的处理与分析，并重点描述了将 IceCube 中微子数据与 ZTF 警报流进行多信使分析的实时应用，证实了所有 TNS 超新星的检测完整性。

Apr, 2019

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

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

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