SkyNet是一个高效且强大的机器学习工具，可用于训练大型、深层的前馈神经网络，包括自编码器。使用预训练方法和正则化牛顿方法进行优化，避免了标准反向传播技术在优化复杂网络方面的困难，SkyNet的实用性和灵活性在一些例题和天文学问题上得到了展示。

Sep, 2013

本研究提出了一种使用深度卷积神经网络的恒星-星系分类框架，可直接基于像素值进行学习，避免了人工特征工程需求，并且能在SDSS和CFHTLenS数据集上取得与传统机器学习技术相竞争的准确和可靠的概率分类结果。

Aug, 2016

本文介绍了 Deep Filtering，一种新的高度可扩展的方法，用于端到端时序信号处理，并展示其在检测和参数估计引力波方面的应用，取得了比传统机器学习技术更好的性能，同时速度快得多，使得实时处理原始大数据变得更容易。

Dec, 2016

本文提出了一种基于深度学习的、端到端的自动变星分类算法，通过将光变曲线转化成矩阵表示来学习特征并实现自动分类，取得了与随机森林分类器相当的准确率，但计算速度更快、可扩展性更强。

Feb, 2020

本文提出一种基于深度神经网络的天文目标检测和分类框架，通过应用 Faster R-CNN概念及使用修改的 Resnet-50作为骨干网络和一个特征金字塔网络来提取不同天文目标的图像特征, 以提高框架的泛化能力。通过模拟和真实观测图像来训练神经网络, 实现天体目标的自动检测和分类，并可以部署在 Nvidia Jetson Xavier等嵌入式设备上进行实时检测和分类。

Feb, 2020

本文扩展了基于深度神经网络的天文目标检测算法的能力以适用于光度学和星位学，并提出了使用迁移学习策略来训练神经网络的方法以减少算法中的认知不确定性。 该算法可在0.125秒内处理一幅图像并以高精度获得天体对象的类型，位置和大小，可用于增强WFSATs的响应速度和检测能力以便探测域内天文事件。

Jun, 2021

研究SDSS-IV数据集，运用多模态学习，利用迁移学习建造Resnet-50、DenseNet-121 VGG-16、Xception、EfficientNetB2、MobileNetV2和NasnetMobile等多种不同层级微调的模型，进而发现不同模型的最佳微调层级和训练比例，并提供了专门用于评估模型的评估指标。

May, 2022

星体震荡、颗粒化、光曲线、机器学习和Astroconformer构成了这篇论文的主要研究内容。

Sep, 2023

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

用于天文学调度优化问题的强化学习算法，在模拟数据集上经过多次改进和调整后，显示出很高的性能，对于特定的天文学挑战，这是第一次对离线强化学习算法进行比较和评估的研究。

Nov, 2023