Jan, 2024

太阳系中的稀奇古怪之旅：在空间与时间的遗产调查中寻找意外收获

PDF
TL;DR我们提出了一种新颖的太阳系物体数据异常检测方法，通过训练深度自动编码器进行异常检测，并利用学到的潜在空间来搜索其他有趣的物体，展示了自动编码器的有效性，发现了有趣的例子，如星际物体，并表明使用自动编码器可以找到更多有趣类别的示例，通过生成合成异常评估经典非监督异常检测方法的局限性，并评估使用监督学习方法的可行性，未来的研究应考虑扩展特征空间，以增加通过自动编码器在调查中发现的异常的多样性。
发现论文，激发创造
  • 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

  • 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

  • 从混沌到清晰：天文观测中的时间序列异常检测

    提出了一种专门用于天文观测的无监督异常检测框架 AERO，该框架利用 Transformer 和图神经网络的结构，能够准确检测出天文观测中的异常，并较其他模型表现更好。

    Mar, 2024

  • 时间序列异常检测中的弱增强变分自动编码器

    结合深度变分自编码器（VAEs）和自监督学习（SSL）的新型生成框架，解决了数据稀缺导致的潜在空洞问题，提高了基于重建的时序异常检测方法的稳健性。

    Jan, 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

  • 用于不均匀采样变星分类的循环神经网络

    本文介绍了一种基于自编码递归神经网络的自监督分类模型，它通过对光学变星数据的学习提取特征，能够在天文调查中有效地发现和分类变量星和瞬变现象，并可应用于其他无监督任务，例如预测和异常检测。

    Nov, 2017

  • 潜空间自回归用于新颖性检测

    设计了一种基于深度自编码器和参数密度估计器的新颖性检测方法，通过最大似然优化与正常样本重建相结合的方式，成功地将分布差异熵最小化并取得了与现有最先进方法相当或更好的性能，而且不做任何新奇性的假设，可适用于各种不同的场景。

    Jul, 2018

  • 具有新颖性检测能力的变星深度神经网络分类器

    利用循环神经网络自编码器进行无监督特征提取和双用途评估网络进行监督分类和新颖性检测，从而构建了周期光变曲线分类器，并证明了自编码器和估计网络的同时训练互惠性，取得了更快的自编码器收敛速度、更好的分类和新颖性检测性能，同时估计网络即使在使用预训练自编码器特征进行优化时也可以提供额外的新颖性检测能力。

    May, 2019

  • 通过对潜空间进行对抗性学习扰动进行异常检测

    本文提出了一种对抗框架，由 Adversarial Distorter 和 Autoencoder 两个部分组成，利用编码器的隐层特征空间中的扰动提高异常检测中对特征的语义表示，实现了对图像和视频数据集上的异常检测的最新性能的提升。

    Jul, 2022

  • 揭开时间中的异常：生物再生生命支持系统遥测中异常行为的无监督发现和隔离

    通过对生物再生生命保障系统（BLSS）进行异常检测，对南极 EDEN ISS 太空温室的遥测数据进行分析，采用时间序列聚类方法对单变量和多变量设置下的各种异常进行分类，评估这些方法在识别系统异常行为方面的有效性，并证明 MDI 和 DAMP 异常检测方法产生互补的结果。

    Jun, 2024