MMOct, 2020

异类超新星多元时间序列的异常检测

PDF
TL;DR通过 RNN-based 变分自编码器和孤立森林算法，本研究提出了第一个用于超新星的异常检测管道，可以在在线数据流中快速检测到突发的，多变的和非周期性的异常事件。
supernovaeanomaly detectionrnn-based variational autoencoderisolation forestonline datastreams
发现论文，激发创造
  • 开放超新星目录异常检测

    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

  • 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

  • 从混沌到清晰：天文观测中的时间序列异常检测

    提出了一种专门用于天文观测的无监督异常检测框架 AERO，该框架利用 Transformer 和图神经网络的结构，能够准确检测出天文观测中的异常，并较其他模型表现更好。

    Mar, 2024

  • 利用集成技术检测多变量时间序列中的异常

    多变量时间序列异常检测中的基于深度神经网络的特征提取和集成技术及其在水流闭环数据集上的实验结果的改进方法。

    Aug, 2023

  • 从实时多元时间序列预测天文突发事件的年龄

    用贝叶斯概率循环神经网络，我们首次提出了一种实时预测多波长时间序列观测中暂时物体年龄的方法。这项工作对我们理解正在进行和即将进行的天体巡天所探测到的大量年轻暂时物体的进展至关重要。

    Nov, 2023

  • 用卷积神经网络（CNN）方法对超新星时间序列进行分类

    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

  • 用于自动 DBMS 诊断的多元非平稳时间序列异常检测

    本研究提出了一种自动数据库管理系统诊断系统，通过使用深度自编码器和统计过程控制方法来检测异常，使用时间序列相似度度量方法来找到相关事件。实验结果表明，该模型具有较好的效果，特别是批处理时间规范化层。

    Aug, 2017

  • 基于分类器的多类异常检测方法用于天文暂现现象

    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

  • 适应于时间序列的 CNN 用于超新星分类

    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

  • 太阳系中的稀奇古怪之旅：在空间与时间的遗产调查中寻找意外收获

    我们提出了一种新颖的太阳系物体数据异常检测方法，通过训练深度自动编码器进行异常检测，并利用学到的潜在空间来搜索其他有趣的物体，展示了自动编码器的有效性，发现了有趣的例子，如星际物体，并表明使用自动编码器可以找到更多有趣类别的示例，通过生成合成异常评估经典非监督异常检测方法的局限性，并评估使用监督学习方法的可行性，未来的研究应考虑扩展特征空间，以增加通过自动编码器在调查中发现的异常的多样性。

    Jan, 2024