Mar, 2022

利用机器学习确定天文学研究的优先事项

PDF
TL;DR本文探讨机器学习技术如何辅助科学战略规划。作者使用高影响力天文期刊的摘要，运用潜在狄利克雷分配（Latent Dirichlet Allocation）的方法，找到了可以预测研究兴趣的领先指示器，并证明这种方法可以较好地反映出 2010 年全国科学院天文与天体物理学十年规划科学前沿小组确定的优先研究领域。作者还提出两种度量方法：一种是所有科学论文贡献率之和的度量方法，另一种是这些计数的复合年增长率，这些方法展现出与相同十年规划中提交的白皮书相同的相关性。结果表明，十年规划未能充分强调快速增长的研究。
machine learninglatent dirichlet allocationastronomyresearch topicsstrategic planning
发现论文，激发创造
  • 建构具有影响力的天文机器学习研究：研究人员和审稿人的最佳实践

    尽管机器学习方法在天文学领域得到了广泛应用且不断发展，但目前天体物理文献中对于实施机器学习模型和报告结果的最佳实践、挑战和局限性，往往尚未完全报道。因此，本文旨在为天文学界的作者、审稿人和编辑提供入门指南，解决该问题，并确保结果的准确性、研究结果的可重复性和方法的实用性。

    Oct, 2023

  • 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

  • 天文学中的机器学习：实用概述

    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

  • 天文学研究中大型语言模型评估框架设计

    大型语言模型（LLMs）正在改变科学研究的方式。我们提出了一个在天文学领域评估研究者与 LLMs 交互的实验设计，并通过一个 Slack 聊天机器人来回答用户的查询，所用的响应取自 arXiv 上的天文学论文。我们记录并匿名用户的问题和机器人的回答、用户对 LLM 的点赞和点踩、用户对 LLM 的反馈以及与查询的检索文档和相似度分数。我们的数据收集方法将为未来对天文学中的 LLM 工具进行动态评估提供可能。

    May, 2024

  • 机器学习中的创新和词汇使用模式

    本研究深入研究了机器学习研究演变的动态景观，利用隐狄利克雷分配方法识别了在机器学习领域中出现的关键主题和基本概念，通过综合分析追踪了这些主题的演化轨迹，并利用 Kullback-Leibler 散度度量方法量化研究贡献的新颖性和多样性，从而了解杰出研究人员的关键作用以及机器学习领域特定学术场所的重要性。

    Nov, 2023

  • 机器学习与超新星宇宙学的未来

    该研究评述了近期关于开发自动化系统以识别和分类超新星，并将其用作宇宙学标准烛光源的努力，强调了机器学习方法在优化大规模调查的科学产出中的基本作用。

    Aug, 2019

  • 使用无监督机器学习和可解释人工智能在超出人类能力范围内对历史来源进行深入分析

    使用机器学习技术对欧洲大学在 1472 年至 1650 年间使用的 359 种印刷教科书中的天文学知识进行深入分析，揭示了历史材料中数学天文学领域的知识和创新在时空进化中的重要方面。

    Oct, 2023

  • 天文学物体分类的自动聚类算法

    本文研究了多波段数据分类问题，使用了学习向量量化、单层感知器和支持向量机三种机器学习算法，并使用了特征选择技术进行特征重要性评价。结果表明，在特征较少时，学习向量量化和单层感知器具有更好的性能，而在考虑更多特征时，支持向量机具有更好性能。该方法可以用于预选 AGN 候选对象。

    Mar, 2004

  • 数据驱动方法评估系外行星的生命适宜性：一篇综述性文献评估

    文献综述研究外行星的检测、分类和可视化方法，并强调机器学习和计算模型在改善数据分析和解释方面的作用。

    May, 2023

  • 天文学关系的机器辅助发现

    本文介绍了自动发现关系系统及其算法在天文数据集中的应用，着重研究了遗传编程技术和信息论技术，并展示了它们与决策树等技术的可比较性以及其对特征选择、提取的重要性，适用于也被如 LSST 等下一代大视场巡天勘测所采用的二元分类问题

    Feb, 2013