机器学习驱动的无线电天文光谱图中异常探测之路

Jul, 2023

机器学习驱动的无线电天文光谱图中异常探测之路

The ROAD to discovery: machine learning-driven anomaly detection in radio astronomy spectrograms

Michael Mesarcik, Albert-Jan Boonstra, Marco Iacobelli, Elena Ranguelova, Cees de Laat...

TL;DR本文提出一种基于自监督学习的异常检测框架，应用于广泛的射电望远镜系统，能够在实时处理中，有效地分类常见异常及检测未知异常。通过为 Low Frequency Array（LOFAR）望远镜提供的数据集验证，该方法取得了高效且有效的结果，表现优于其他相关作品。

Abstract

As radio telescopes increase in sensitivity and flexibility, so do their complexity and data-rates. For this reason automated system health management approaches are becoming increasingly critical to ensure nominal telescope operations. We propose a new →

radio telescopes machine learning anomaly detection self-supervised learning lofar

发现论文，激发创造

利用机器学习在全景调查成像中进行探索

本文利用机器学习算法在时间域巡天数据中搜索天体物理学方面的发现，并提供了每个新观测源是可靠变亮源的概率性声明。通过 Palomar 暂现工厂的验证集，证明了该算法的性能好，并且不易受到训练数据错标签的影响。

Sep, 2012

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

利用机器学习进行异常检测，在系外行星大气中寻找新颖的化学反应

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

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

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

使用 LSTM 和非参数动态阈值检测航天器异常

使用 LSTM 网络对遥测数据进行异常检测，结合一种无监督检测方法并提供假阳性减缓策略，以降低操作风险和减轻工程师的监测负担。

Feb, 2018

自监督学习用于无线频谱活动聚类

本文提出了一种自我监督学习方法，使用真实的未标记数据探索频谱活动，使用此方法可以大幅减小特征向量的大小，并提高性能，同时提供了频谱数据的分类结果。

Sep, 2022

银河系中的弱监督异常检测

利用 Classification Without Labels（CWoLa）方法识别星系暗流和其他局部异常现象，该方法不需要标记数据或领域知识。在模拟中，该方法能够检测出冷的恒星流和已知的 GD-1 流，并在更大规模的真实数据中实现该任务。

May, 2023

循环神经网络异常检测

本研究利用基于强大的循环神经网络的新颖性检测方法，提高了对高复杂度多用户无线电频段中小异常的检测能力，并在多个常见真实的空中无线电通信频段上进行了实证研究，比较了检测性能。

Nov, 2016

利用时间远程感知数据上的自监督学习进行快速野火热点检测

通过利用卫星网络和先进的人工智能模型来自动检测火点（即活跃火灾引起的热异常），以实时构建野火监测系统，本研究提出了一个包含欧洲火灾相关的遥感数据时间序列和基于自我监督学习的模型，能够分析多时相数据并在潜在实时中识别火点。使用我们的数据集和包含几次火灾事件的 Thraws 数据集，训练和评估了我们模型的性能，得到了 63.58 的 F1 分数。

May, 2024