- KDD使用残差模型预测均匀分布和高斯分布的外行星特征
通过结合多变量高斯模型和均匀分位数模型，使用集成的均匀分布和多变量高斯分布来预测 7 个太阳系外行星特征的后验分布，取得了第三名的成绩 (最终得分为 681.57)。
- 重新设想数值信息场理论（NIFTy.re）：高斯过程和变分推断库
将嘈杂、不完整的数据转换为人类可以解释的空间是成像的过程。NIFTy 是一种贝叶斯成像框架，已成功应用于天体物理学的许多领域。我们提出了一个名为 NIFTy.re 的 NIFTy 重写版本，重新设计了建模原则，扩展了推断策略，并将大部分重要 - LtU-ILI：天体物理学和宇宙学中隐式推理的一体化框架
这篇论文介绍了学习宇宙隐式似然推断（LtU-ILI）流水线，这是一个快速、用户友好且尖端的用于天体物理学和宇宙学的机器学习推断代码库。该流水线包括了实现各种神经架构、训练架构、先验和密度估计器的软件，易于适应任何研究工作流程，并包括全面的验 - 使用自动编码器和神经常微分方程加速天体化学反应网络
该篇论文介绍了一种基于机器学习的解决方案，使用自编码器进行降维，并利用潜空间神经 ODE 求解器加速宇宙化学反应网络计算。同时，提出了一种成本效益高的线性潜空间函数求解器作为神经 ODE 的替代方法。实验结果表明，神经 ODE 相比基准模型 - 跨学科搜索漫散星际带的载体，利用自然语言处理
利用自然语言处理技术和机器学习技术，从 1.5 百万个跨领域科技论文中筛选提取了多种化合物，这些可以成为漫散星际带的载体， 为解决多领域科学的开放问题提供了价值。
- 天文不确定时间序列的可解释分类
研究了机器学习在天体物理学中的作用，对不确定的时间序列建立了可解释的子序列模型以达到与现有方法相当的分类效果，并考虑了数据不确定性以及对模型进行解释。
- ICML使用连续神经场进行强引力透镜源重建
研究使用神经网络在高分辨率镜像数据上模拟暗物质、远距离星系光学扭曲等，以解答宇宙学中的一些大问题。
- DeepGraviLens: 一个用于分类引力透镜数据的多模型架构
本文介绍了 DeepGraviLens，这是一个新颖的多模态网络，通过检测与亮度变化时间序列相关的图像数据，并分类属于一个非成像系统类型和三个透镜系统类型的空间时间数据，改进了当前成像数据分析的准确性，为未来的天体物理学研究奠定了基础。
- CAMELS 项目：公共数据发布
CAMELS 项目通过数千个宇宙宏观仿真和机器学习技术，将宇宙学与天体物理学融合。本文介绍 CAMELS 公开数据发布的特征和从中生成的各种数据产品，包括星系、暗物质晕、哈勃队列等。此外，我们还发布了包含数十亿星系的目录数据。
- POEMMA (极限多信使天体物理探测器) 天文台
POEMMA 是一项 NASA 的天体物理探测任务，通过空气荧光和切伦科夫信号探测超高能宇宙射线和宇宙中微子，将通过多信使观测研究这些能量否则无法探测到的和宇宙粒子物理学的新领域。
- 用贝叶斯神经网络集合进行外行星大气检索
这篇论文讨论了机器学习在星际物理领域的应用，利用贝叶斯神经网络实现了精准的大气成分测算以及创新性地引入了一种新的损失函数提高了性能。
- Gaia 数据第二次发布。短时间尺度变异处理与分析
通过对第 22 个月的 Gaia photometry 进行研究，本研究使用变异数分析快速探测变量、使用最小二乘周期图搜索高频率、探究视角特性和地面光度学监测等手段，旨在寻找短时间变量候选样本。研究完成后，本研究公布了 3018 个短时间变 - 二进制中子星合并：对爱因斯坦最丰富实验的回顾
本文综述了对合并的双中子星系统的研究进展，重点关注了上个十年间在相对论数值计算、引力和后合并阶段等方面取得的成就，并探讨了与天体物理学、引力波、黑洞形成等相关的问题。
- 暗能量调查：不仅仅是暗能量 —— 概述
介绍了利用宽视场相机在智利的 Blanco 望远镜上进行的暗能量调查 (DES) 的前景和发现潜力，进一步探讨了它在天体物理学上的重要性，并利用 DES 的早期数据从行星系、银河系、星系演化、类星体和其他方面进行了探索。
- 概率数值和计算中的不确定性
本篇论文探讨了概率数值方法，即在数值计算任务（包括线性代数、积分、优化和解决微分方程）中，如何返回计算不确定性，并提出了新算法以适应应用的特定需求，并 改善经验性能。这种方法可用于管理数值不确定性，并且可应用于现代科学和工业领域，特别是在气 - 宇宙学前向建模的近似贝叶斯计算
本文讨论如何使用近似贝叶斯计算方法（ABC）通过仿真数据集来导出参数约束，评估该方法在新的天体物理学应用中的潜力。
- 用简化藤蔓状核密度估计法规避维度诅咒
通过假设简化的藤曲线模型来规避维数灾难问题，我们提出了一个通用的非参数估计器，并指出在高级别假设下，收敛速度与维度无关。我们还讨论了一种实现方法，并验证了高级别假设的渐近正常性。将这种简化假设用于分类问题，在有限样本性能方面证明了大幅增益 - LAMOST 光谱勘测
LAMOST 是一个由中国科学院国家天文观测台经营的大型天文学科研设施，旨在通过对天文领域数百万物体的光谱调查，使得相关现代前沿领域如银河系初始星和黑洞、星系形成和演化等得以深入研究，其调查由 LAMOST 外星系调查（LEGAS）和 LA - 天文学和天体物理学中的遗传算法
该文介绍了遗传算法（GAs）在计算优化问题中的应用，以及在天文学和天体物理学中的实用性。
- 发现异常周期时间序列：应用于周期变星目录的研究
本文提出了一种名为 PCAD 的无监督异常检测方法，该方法适用于大型非同步定期时间序列数据集，并能够在寻找新的天文现象方面发挥作用，通过使用抽样，该方法能够扩展到大型数据集中，并且其所报告的异常性可与所有其他方法相媲美或更好。