本文介绍了一种基于深度学习的方法来在恒星变化存在的情况下测量小行星的径向速度，该方法采用了神经网络，降低了三年 HARPS-N 太阳作为恒星的谱线的恒星 RV 抖动。作者设计和比较了降维和数据拆分方法，以及各种神经网络体系结构，包括单行 CNN、单行 CNN 集合和多行 CNN。作者通过注入类行星 RV 到谱线中并使用神经网络进行恢复，发现多行 CNN 能够恢复 0.2 m/s 的半振幅、50 天的周期行星，并在振幅和周期上分别实现了 8.8% 和 0.7% 的误差。这种方法显示了缓解恒星 RV 变异和实现具有前所未有的精度探测小行星 RV 的前景。

Apr, 2023

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

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

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

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

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

通过使用一组卷积神经网络和开普勒宇宙飞船的诊断工具，我们提出了一种新的技术，可以在光度曲线中对行星凌星进行分类，并且可以保持高达 80％的准确度，对高达 800 天的轨道周期的行星凌星进行定位和周期恢复。

Mar, 2024

通过使用模拟的光度曲线注入了类似于行星运动信号的两个一维卷积神经网络模型，在真实数据测试中证明了这些模型能够从恒星去除趋势的光度曲线中表征恒星行星的性质，并且相较于当前的探测和描述算法，降低了所需时间和计算成本。

Feb, 2024

使用一维卷积神经网络（CNN）从潜在行星候选者中将掩星双星和其他假阳性分离出来，从而减少需要人工审核的光曲线数量。该方法可将需要手动审核的光曲线数量减少三分之一，并且对行星候选者的误分类非常小。

May, 2024

利用机器学习和分子模板的交叉相关光谱方法提高对系外行星的检测灵敏度，为未来的望远镜和仪器开发提供支持。

May, 2024