文章介绍了使用深度学习对开普勒探测器发现的潜在系外行星信号进行分类鉴别的方法，并应用到已知多行星系统中发现两个新的行星，其中一个则是在 Kepler-80 周围的五个行星的 3 体 - 拉普拉斯共振链中。

Dec, 2017

本研究使用半监督生成对抗网络和辅助分类器生成对抗网络来检测 K2 数据中的瞬变系外行星，发现这些模型的使用对于瞬变系外行星的辨别非常有帮助，同时我们的技术可提高数据分类的效率，解决数据标记的困难问题。

Jul, 2022

采用机器学习神经网络来识别外行星任务的图像数据集，以实现特征识别。我们分别应用了转移学习和更新的训练模型的方法来识别埃罗帕上混沌区断裂冰的冰块，以及通过训练模型来识别土卫六上的云，进一步验证了我们的技术。

Oct, 2023

开发了一个能够检测来自不同望远镜和调查中的光曲线中的短时（transits）的人工神经网络模型，结果表明 1D CNN 是处理非相位折叠的光曲线具有短时的良好选择，并减少了传统分析所需要的时间。

Dec, 2023

该研究基于卷积神经网络，结合空间，时间和光谱特征，利用多次观测的图像数据中残留信号检测方法，有效提高了外行星探测的精度和召回率。

Jun, 2023

使用深度神经网络解决红色（相关）噪声问题，以便更好地侦测未来行星探测空间任务（如 PLATO）中的可居住星球。

Nov, 2017

下一代望远镜将提供大量高分辨率光谱数据，用于分析成千上万个系外行星。我们提倡将机器学习技术应用于异常检测，以识别具有不寻常化学组成甚至寻找未知生物特征的行星的恒星过境光谱。我们成功地证明了两种流行的异常检测方法（局部异常因子和单类支持向量机）在大型公开数据库的合成光谱上的可行性，并使用 ROC 曲线量化和比较了这两种机器学习技术的性能。

Aug, 2023

通过使用监督深度学习算法，将光谱和空间维度相结合，我们开发了一种新的方法，以提高积分场谱学（IFS）数据集的高对比度外行星的检测灵敏度。在将光谱维度转化为径向速度维度后，机器学习算法的真阳率受径向分离变化的影响较小，能够减少误报并提高对直接成像行星在 IFS 数据集中的检测限制。

May, 2024

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

本文探究了使用神经网络在恒星本身相关噪声影响下的径向速度法中替代传统测试方法的可行性，并取得了较好的结果。通过使用合成的数据，该算法的虚阳性误差降低了 28％，并且其执行速度比传统方法快五个数量级。

Mar, 2023