Nov, 2023

从实时多元时间序列预测天文突发事件的年龄

PDF
TL;DR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。
astronomical transientssupernovaestellar explosionstime-series observationsbayesian probabilistic recurrent neural network
发现论文，激发创造
  • 大规模数据流中天文巡天的实时自动分类与决策

    该研究报告介绍了使用机器学习进行天文学突发事件的实时分析和响应的方法，以及将来可能的发展，以应对数据集增长的挑战。

    Jul, 2014

  • 异类超新星多元时间序列的异常检测

    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。

    Oct, 2020

  • 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

  • 自动概率分类瞬变和变量

    介绍了一种用于原型事件分类系统的方法学，其中涉及贝叶斯和机器学习分类器，自动合并后续观测的反馈，并实现区分或定向后续请求，该方法可能对未来的大型系统观测任务至关重要。

    Feb, 2008

  • 在天巡成像时代自动发现和分类瞬变和变星

    基于机器学习算法，自动发现具有变化的天空中的实体并进行科学分类的框架，适用于 Palomar 短暂工厂（PTF）调查和其他现代综合成像调查，最近一年的自主操作已导致几个重大的科学结果。

    Jun, 2011

  • 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

  • RAPID: 基于深度学习的爆炸式瞬变早期分类

    RAPID 是一个用于时间序列分类的深度递归神经网络工具，可自动从初始警报的一天内到完整光度曲线的整个生命周期内识别瞬变现象，并且无需从数据中提取计算量昂贵的特征，因此非常适合处理 ZTF 和 LSST 等广域巡天发现的数百万警报。

    Mar, 2019

  • 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

  • 使用人工和机器综合分类的短暂搜索

    该研究使用公民科学项目的志愿者与卷积神经网络相结合的方法，进行近实时的超新星识别并优于单独使用任一方法，对未来瞬变搜索的发展具有重要意义，尤其是在 LSST 和其他大通量调查的时代。

    Jul, 2017

  • 卡塔利娜实时瞬变调查的第一批结果

    CRTS 首个六个月的研究成果表明，许多当前的超新星调查错过了众多和暗淡星系相关联的 SN，但运用 CRTS 分析数据进行光学暴变研究则能够发现更多此类的光学暴变现象。

    Sep, 2008