The SED Machine: A Spectrograph to Efficiently Classify Transient Events Discovered by PTF
Palomar Transient Factory（PTF）是一个旨在发现宇宙中瞬变现象的项目，包括Ia型超新星，核心坍缩超新星和其他奇异和罕见的瞬变事件。PTF利用帕洛玛48英寸望远镜（P48）来发现瞬变现象，后续主要是帕洛玛60英寸望远镜（P60，用于测光和颜色曲线）以及其他望远镜。PTF的发现率为每年约7000个候选瞬态，但目前只有约10%的候选瞬态被跟踪和分类。为了克服这一缺点，加州理工学院正在为P60望远镜设计和建造一台专用的光谱仪，称为SED机器，旨在最大限度地提高PTF发现的瞬变的分类效率。SED机器是一种低分辨率（R ~ 100）IFU光谱仪。它由一台用于光谱定标的彩虹相机和一个小透镜阵列加三棱镜光学系统组成。这里介绍了SED机器的科学和设计概述。
2012-09-21 astro-ph.IM
Machine-learning Selection of Optical Transients in Subaru/Hyper Suprime-Cam Survey
我们提出了一个应用程序的机器学习（ML）技术选择源的光学瞬态调查数据与超Suprime-Cam（HSC）的斯巴鲁望远镜。我们的目标是准确地选择真正的瞬态事件，及时地从大量的虚假候选人，获得与标准的差异成像方法。我们已经开发了基于AUC Boosting，随机森林和深度神经网络三种ML机器的多数投票的瞬态选择器。我们将其应用于2015年5月和8月的Subaru-HSC观测运行，并证明了它在选择光学瞬态方面的有效性。在22.0--25.0等量级范围内，真阳性率为90%时，假阳性率为1.0%。对于后一次运行，我们在观测的同一天内成功地探测并报告了10颗超新星候选者。从这些运行中，我们学到了以下教训：（1）使用人工对象的训练在过滤错误候选项方面是有效的，特别是对于微弱的对象，以及（2）通过多数投票组合ML是有利的。
2016-09-12 astro-ph.IM
A Machine Learning Framework for Stellar Collision Transient Identification
针对现代天文巡天（如ZTF）的大量暂现事件，该研究开发机器学习框架，通过模拟光变曲线库与近似最近邻算法匹配观测数据，识别星系核中易被误判的恒星碰撞候选事件并验证模拟参数，为未来巡天提供高效分析方法。
2025-04-15 astro-ph.IM
Machine Learning Supports Existence of Previously Unrecognized Transient Astronomical Phenomena in Historical Observatory Images
Vanderbilt University Medical Center（范德堡大学医学中心）；Independent Researcher（独立研究者）；Instituto de Astrofísica de Canarias（加那利群岛天体物理研究所）；Nordita, KTH Royal Institute of Technology and Stockholm University（诺迪塔，皇家理工学院和斯德哥尔摩大学）
本文利用机器学习方法提高对历史天文图像中短暂天体的识别准确性，验证了在核试验窗口期和地球阴影缺失期短暂天体数量的变化，支持了未被识别的短暂天体存在的可能性。
2026-04-22 astro-ph.IM
Radio Transient Detection with Closure Products and Machine Learning
对于时间尺度为1-100秒的瞬变源，在每个时间步长对所有观测进行标准化成像变得不可能，因为大型现代干涉仪在该观测时间范围内产生非常大的数据量。在这里，我们提出了一种基于机器学习的方法，并使用干涉闭包产品作为输入功能，检测瞬态源候选人直接从空间频率域没有成像。我们训练一个简单的神经网络分类器的噪声/瞬态/RFI事件，我们构建的合成数据集，以解决缺乏标记的数据。我们还使用模型的超参数丢失率来允许模型近似贝叶斯推断，并选择最佳丢失率来将后验预测与检测到的事件的实际潜在概率分布相匹配。在模拟数据集上的分类器的总体F1分数大于85\%，信噪比为7 $σ$。训练的神经网络与蒙特卡洛辍学的性能进行评估的半真实数据，其中包括一个模拟的瞬态源和真实的噪声。该分类器准确地识别具有最佳方差的可检测信噪比水平（高于4 $σ$）中瞬态信号的存在。我们的研究结果表明，一个可行的无线电瞬变分类器可以建立只有模拟数据应用于预测的真实观测，即使在没有注释的真实样本的训练目的。
2022-04-05 astro-ph.IM
An analysis of feature relevance in the classification of astronomical transients with machine learning methods
利用当前和未来的天气（多波段和多历元）调查需要广泛使用自动数据处理和数据解释方法。在这项工作中，使用从卡塔利娜实时瞬态调查（CRTS）提取的数据，我们研究了一些经过良好测试的方法的分类性能：随机森林，MLPQNA（多层感知器与拟牛顿算法）和K-最近邻，特别注意特征选择阶段。为了做到这一点，进行了几个分类实验。即：查明激变变星、区分银河系和河外天体以及查明超新星。
2016-01-15 astro-ph.IM
Machine Learning on Difference Image Analysis: A comparison of methods for transient detection
我们提出了几个差异图像分析（DIA）技术的比较，结合机器学习（ML）算法，适用于识别光学瞬态与引力波事件。每种技术都是基于精确度、召回率及其调和平均值F1的评分指标进行评估的，这些指标是在DIA结果上作为独立技术进行测量的，也是在应用ML算法后的结果中进行测量的，是在模拟和真实数据上进行瞬态源注入的。这种模拟涵盖了广泛的仪器配置，以及各种场景的观测条件下，通过探索一个多维的相关参数集，使我们能够提取一般的结论，有关的瞬态天体物理事件的识别。最新的减影技术，特别是Zackay等人（2016）发表的方法，在一个名为properimage的开源Python包中实现，适用于许多其他天文图像分析。这与我们描述的ML库一起提供了有效的瞬态检测软件管道。在这里，我们研究了不同的ML技术的效果，和相对特征的重要性分类的瞬时候选人，并提出了一个最佳的组合策略。这构成了管道的基本要素，可应用于GW源的电磁对应物的搜索。
2019-08-08 astro-ph.IM
A transient search using combined human and machine classifications
大型现代测量需要有效地审查数据，以便找到超新星等瞬变源，并将这些源与人工制品和噪音区分开来。人们已经在自动算法的开发上投入了大量精力，但调查仍然依赖于人类对目标的审查。本文提出了一个综合系统，用于识别超新星的数据从泛星1，结合志愿者参加的公民科学项目与卷积神经网络的分类。这项工作的独特之处在于，结合人类和机器分类，在天文项目中进行近实时发现。我们表明，这两种方法的组合优于单独使用的任何一个。这一结果对瞬态搜索的未来发展具有重要意义，特别是在LSST和其他大通量调查的时代。
2017-07-17 astro-ph.IM
The SED Machine: a robotic spectrograph for fast transient classification
目前的时域设施每年发现数百个瞬变天文事件。随着新的巡天计划，如Zwicky Transient Facility（ZTF）和Large Synoptic Sky Survey（LSST）的上线，未来的发现率有望提高。目前，瞬变的分类率比发现率低大约一个数量级或数量级，导致越来越多的“后续干旱”。现有的中等孔径望远镜可以帮助解决这一缺陷时，配备光谱分类优化的摄谱仪。在这里，我们提供了一个概述的设计，操作和光谱能量分布机（SEDM），帕洛玛60英寸望远镜（P60）上运行的第一个结果。该仪器针对分类和高观测效率进行了优化。它结合了低分辨率（R $\sim$ 100）积分场单元（IFU）光谱仪与“彩虹相机”（RC），多波段现场采集相机，也可作为多波段（ugri）光度计。SEDM是在Palomar Transient Factory（iPTF）的运营期间投入使用的，并且已经证明了它的承诺。SEDM的成功证明了优化光谱分类的光谱仪的价值。在现有望远镜上安装类似的光谱仪将有助于缓解后续干旱，从而加快发现速度。
2017-10-11 astro-ph.IM
Classification of Multiwavelength Transients with Machine Learning
随着诸如平方公里阵列和维拉C望远镜等强大望远镜的出现，鲁宾天文台，我们正在进入一个多波长瞬态天文学的时代，这将导致数据量的急剧增加。机器学习技术非常适合解决这一数据挑战，并对新检测到的瞬态进行快速分类。我们提出了一种多波长分类算法，包括三个步骤：（1）插值和增强的数据，使用高斯过程;（2）特征提取，使用小波;（3）分类与随机森林。增强通过平衡类并向训练集中添加多样性来提高测试时的性能。在机器学习的第一个应用程序的分类真正的无线电瞬态数据，我们将我们的技术应用到绿岸干涉仪和其他无线电光变曲线。我们发现，经过8个小时的观测，我们能够准确地对11类射电变量和瞬变中的大多数进行分类，总体测试准确率达到78%。我们充分调查了82个公开可用光变曲线的小样本量的影响，并使用数据增强技术来减轻这种影响。我们还表明，在一个明显更大的模拟代表性训练集上，该算法实现了97%的总体准确率，这表明该方法可能在未来的调查中提供出色的性能。最后，我们展示了同时多波长观测的有效性，展示了如何将一个光学数据点纳入分析中，将表现最差的类别的准确性提高了19%。
2021-03-08 astro-ph.IM
General classification of light curves using extreme boosting
通过将机器学习方法应用于调查数据而对变星进行的显著程度的错误分类促使人们寻找更可靠和准确的机器学习程序，特别是考虑到未来调查将产生非常大的数据立方体，以及需要立即制作准确的，正式的变量行为目录，以使科学能够进行。在这项研究中，集成机器学习程序的效率，利用极端的提升是由应用程序的OGLE III和IV调查和\textit{Kepler}任务的大样本数据确定的。通过分类器的递归训练，该研究开发了一个变星分类工作流程，该工作流程产生的平均效率由模型的平均精度（\textit{Kepler}为0.81，OGLE为0.91）和测试集上预测的$f-score$确定。这表明，极端的助推可以作为一个有利的浅学习方法，在开发一个变星分类器，为未来的大型调查项目。
2019-06-15 astro-ph.IM astro-ph.SR
Unsupervised machine learning for transient discovery in Deeper, Wider, Faster light curves
在时域测量中识别异常光变曲线通常具有挑战性。此外，随着越来越多的广域观测和产生的数据量超过天文学家的人工评估能力，异常值和异常检测对瞬态科学变得至关重要。我们提出了一个无监督的方法，使用聚类技术和Astronomaly包的瞬态发现。作为概念的证明，我们评估85553分钟节奏的光变曲线收集了两个1.5小时的时间，作为更深，更宽，更快的程序的一部分，使用两种不同的望远镜抖动策略。通过将聚类技术HDBSCAN与隔离森林异常检测算法通过Astronomaly的可视化界面相结合，我们能够快速隔离异常源以进行进一步分析。我们成功地恢复了已知的变量源，在一系列的目录从字段内，并找到了另外7个未编目的变量和两个恒星耀斑事件，包括一个罕见的观察到的超快耀斑（5分钟）从一个可能的M-矮星。
2020-08-11 astro-ph.IM
Machine Learning for Transient Recognition in Difference Imaging With Minimum Sampling Effort
时域天文学产生的观测数据量呈指数增长。单靠人工检查并不是从数据中识别真正瞬态的有效方法。需要一个自动真假分类器，机器学习技术通常用于实现这一目标。由于人工验证的要求，构建具有足够大数量的已验证瞬态的训练集是具有挑战性的。本文提出了一种训练集的生成方法，将科学图像中的所有检测作为真实检测的样本，将差分图像中的所有检测作为伪检测的样本。这种策略有效地减少了监督机器学习方法的数据标记所涉及的劳动力。我们证明了实用的训练集，通过使用它来训练几个分类器，利用作为特征表示的归一化像素值在21 × 21像素邮票集中在检测位置，观察与引力波光学瞬态观测器（GOTO）原型。用该策略训练的真假分类器可以在1%的虚警率下对真实检测提供高达95%的预测准确率。
2020-10-13 astro-ph.IM
Machine learning for transient discovery in Pan-STARRS1 difference imaging
天文瞬变的有效识别和跟踪受到人类需要从包含许多误报的数据流中手动选择有希望的候选者的阻碍。这些伪影出现在由大幅面CCD相机进行的大多数主要地基时域勘测产生的差异图像中。这种依赖人类来拒绝虚假检测的做法对于下一代全天空调查来说是不可持续的，现在正在投入大量精力来解决计算问题。在本文中，我们探索了一种简单机械学习方法来真假分类构建一个训练集从图像数据的~32000真正的天体物理瞬变和伪检测从泛星1中深调查。我们从候选人中心周围的20 x20像素戳的像素强度值获得我们的特征表示。这与以前的工作不同，因为它直接作用于像素，而不是用于特征设计或选择的编目领域知识。三种机器学习算法（人工神经网络，支持向量机和随机森林）进行了训练，并在25%的训练数据的保留子集上测试了它们的性能。我们从随机森林分类器中找到了最好的结果，并证明了通过接受1%的误报率，分类器最初建议的漏检率约为10%。然而，我们还发现，明亮的恒星变化，核瞬变和人类标记的不确定性的组合意味着我们对漏检率的最佳估计约为6%。
2015-03-03 astro-ph.IM
Machine learning search for variable stars
光度变化检测通常被认为是一个假设检验问题：一个对象是可变的，如果零假设，它的亮度是恒定的，可以排除给定的测量和它们的不确定性。未校正的系统误差限制了这种方法对高振幅变异性和表现良好的数据集的实际适用性。寻找一种新的变异性检测技术，将适用于广泛的变异性类型，同时对离群值和低估的测量不确定性具有鲁棒性，我们建议将变异性检测视为一个分类问题，可以通过机器学习来解决。我们比较了几种分类算法：逻辑回归（LR），支持向量机（SVM），k-最近邻（kNN）神经网络（NN），随机森林（RF）和随机梯度提升分类器（SGB）应用于18个特征（可变性指数）量化散射和/或光曲线中点之间的相关性。我们使用的OGLE-II大麦云（LMC）测光（30265光变曲线）的一个子集，使用传统的方法（168个已知的可变对象确定）作为训练集，然后将NN应用到一个新的测试集的31798 OGLE-II LMC光变曲线。在205个候选变量中，178个是实变量，13个是新发现的低幅变量。我们发现，与考虑个体变异性指数或其线性组合的传统技术相比，所考虑的机器学习分类器更有效（它们发现更多变量和更少的错误候选项）。与LR和kNN相比，NN，SGB，SVM和RF表现出更高的效率。
2018-01-24 astro-ph.IM astro-ph.SR
Statistical characterization and classification of astronomical transients with Machine Learning in the era of the Vera C. Rubin Observatory
天文学已经进入了多信使数据时代，机器学习在各种各样的应用中得到了广泛的应用。利用天气（多波段和多历元）调查，如LSST（空间和时间的传统调查），需要广泛使用自动方法进行数据处理和解释。由于数据量在PB级，对时间关键信息的识别已经超出了人类操作员的能力，科学家群体在多维域中管理如此大量的数据非常困难。这项工作的重点是分析与基于机器学习的方法相关的关键方面，以可变的天空源分类，特别关注各种类型的超新星，这是时域天文学最重要的主题之一，因为它们在宇宙学中发挥着至关重要的作用。这项工作是基于对模拟数据进行的测试活动。通过比较几种机器学习算法对从光变曲线中提取的统计参数的性能来进行分类。这些结果表明，与数据质量及其参数空间特性有关的一些关键方面，为未来十年的实际数据开发准备了处理机器。
2020-09-30 astro-ph.IM
Machine Learning for the Zwicky Transient Facility
Zwicky Transient Facility是一个大型的光学调查，在多个过滤器中每晚产生数十万个瞬态警报。我们在这里描述了各种机器学习（ML）实现，并计划通过利用数据的时间特性来最大限度地利用大型数据集，并进一步将其与其他数据集相结合。我们从最初的步骤开始，将虚假的候选者与真实的候选者分开，将恒星和星系分开，然后将真实的物体分类为各种类别。除了通常的方法（例如，基于从光变曲线提取的特征），我们还描述了用于替代方法的早期计划，包括使用域自适应和深度学习。以类似的方式，我们描述了探测快速移动小行星的努力。我们还描述了使用Zooniverse平台通过创建训练样本和主动学习来帮助分类。最后，我们从ML的角度提到了ZTF和LSST的协同作用。
2019-02-05 astro-ph.IM
Real-time, fast radio transient searches with GPU de-dispersion
通过盲搜索调查识别和随后发现快速无线电瞬变需要大量的处理能力，在最坏的情况下缩放为$\mathcal{O}(N^3)$。出于这个原因，测量数据通常使用高性能计算架构或基于硬件的设计进行离线处理。近年来，图形处理单元已被广泛用于数值分析和科学模拟，特别是在引入新的高级应用程序编程接口之后。在这里，我们将展示如何使用GPU进行实时快速瞬态发现。我们提出了一个解决问题的去色散，提供性能比较与一个典型的计算机和传统的脉冲星处理软件。我们描述了一个实时的，基于GPU的瞬态搜索机的体系结构。在性能方面，我们的GPU解决方案提供了50到200之间的加速因子，具体取决于搜索参数。
2011-07-13 astro-ph.IM
MANTRA: A Machine Learning reference lightcurve dataset for astronomical transient event recognition
Universidad de los Andes（安第斯大学）
我们介绍MANTRA，一个注释数据集的4869瞬态和71207非瞬态对象lightcurves从卡塔利娜实时瞬态调查。我们提供公众访问这个数据集作为一个纯文本文件，以促进天文瞬态事件识别算法的标准化定量比较。数据集中包括的一些类别是：超新星，激变变星，活动星系核，高自行星，耀变体和耀斑。作为可以在数据集上执行的任务的一个示例，我们使用多种数据预处理方法，特征选择技术和流行的机器学习算法（支持向量机，随机森林和神经网络）进行实验。我们在两个分类任务中评估定量性能：二进制（瞬态/非瞬态）和八类分类。在这两个任务中性能最好的算法是随机森林分类器。它在二分类中达到了96.25%的F1得分，在八类分类中达到了52.79%。对于八类分类，非瞬变星（96.83%）是F1分数最高的一类，而最低的对应于高自行星（16.79%）;对于超新星，它达到了54.57%的值，接近所有类别的平均值。MANTRA的下一个版本包括具有深度学习模型的图像和基准测试。
2020-06-30 astro-ph.IM cs.CV
A Machine Learning empowered search for Sub-Minute Optical Transient Events with the Deeper, Wider, Faster programme
本研究为DWF项目搭建机器学习加速搜索流水线，首次系统性搜索m~23等深度的亚分钟级光学暂现源，在67万余条光变曲线试点研究中发现2个高质量候选体，排除多类假阳性并算出天球发生率。
2025-09-09 astro-ph.HE astro-ph.IM
Intermediate Palomar Transient Factory: Realtime Image Subtraction Pipeline
实时数据处理的快速周转管道在发现和允许对年轻超新星和现代时域调查中快速演变的瞬变进行后续观测方面发挥着重要作用。在本文中，我们提出了实时图像减法流水线在中间Palomar瞬态工厂。通过使用高性能计算、高效的数据库和机器学习算法，该管道能够在拍摄图像的十分钟内可靠地提供瞬时候选。我们在使用高性能计算资源处理天文学大数据方面的经验，为不久的将来处理来自大规模时域设施的数据提供了开拓者。
2016-08-02 astro-ph.IM
Photometric classification of HSC transients using machine learning
技术的进步导致超新星（SN）发现的迅速增加。斯巴鲁/Hyper Suprime-Cam（HSC）瞬态调查从2016年秋季到2017年春季进行，产生了1824个SN候选者。这就需要对光谱后续进行快速类型分类，并促使我们使用具有高速公路层的深度神经网络（DNN）开发机器学习算法。该机器由实际观察到的节奏和滤波器组合进行训练，这样我们就可以直接将观察到的数据数组输入到机器中，而无需任何解释。我们用LSST分类挑战（深钻领域）的数据集测试了我们的模型。我们的分类器对于二分类（SN Ia或非SN Ia）的曲线下面积（AUC）为0.996，对于三分类（SN Ia、SN Ibc或SN II）的准确率为95.3%。应用我们的二进制分类HSC瞬态数据产生的AUC得分为0.925。自第一次检测以来的两周HSC数据，该分类器实现了78.1%的二进制分类准确率，并且在完整数据集的情况下准确率提高到84.2%。本文讨论了机器学习用于SN类型分类目的的潜在用途。
2020-08-15 astro-ph.HE astro-ph.IM
Finding the origin of noise transients in LIGO data with machine learning
改进诸如Advanced LIGO和Virgo等引力波探测器收集的干涉测量数据的质量对于引力波天体物理学的成功至关重要。引力波探测器对各种非天体物理来源的扰动敏感，其特征频率在仪器的灵敏度波段内。消除破坏数据流的非天体物理伪影对于增加引力波探测的数量和统计意义以及实现对数据的精细天体物理解释至关重要。机器学习已被证明是分析天文学和相关研究领域中大量复杂数据的强大工具。我们提出了两种机器学习方法，基于随机森林和遗传编程算法，可用于确定LIGO探测器中的非天体物理瞬态的起源。我们使用两个类的瞬态与已知的仪器的起源，在第一次观测运行的先进LIGO表明，该算法可以成功地识别出真正的干涉数据中的非天体物理瞬态的起源，从而有助于减轻仪器和环境干扰的引力波搜索。虽然本文中描述的数据集是LIGO特有的，并且所采用的确切程序是唯一的，但随机森林和遗传编程代码库以及将其应用为双机器学习方法的方法完全可移植到任何数量的仪器中，其中噪声被认为是通过机械耦合产生的，其来源尚未发现。
2018-12-13 astro-ph.IM physics.data-an
Using machine learning for transient classification in searches for gravitational-wave counterparts
引力波干涉仪提供的大天空定位区域需要对宽视场望远镜确定的许多对应候选者进行有效的跟踪。由于望远镜的时间有限，必须为许多已确定的候选者建立优先名单。为此，我们使用\text{\astrorapid}，一个多波段光度光曲线分类器，区分千新星，超新星，和其他可能的瞬变。我们证明了我们的方法上的光度观测的真实事件。此外，分类性能进行了测试模拟光变曲线，理想和现实的采样。我们表明，经过短短几天的观测的天文对象，它是可能的，以排除候选人作为超新星和其他已知的瞬变。
2020-06-12 astro-ph.HE astro-ph.IM gr-qc
The VAO Transient Facility
时域社区需要强大而可靠的工具来实现社区认可的事件通知数据包（VOEvent）的生成和订阅。VAO瞬变设施（VTF）被设计为社区的首要中介服务，收集和传播有关时间关键的天文瞬变的观测，但也支持注释和智能机器学习对这些观测的应用。这区分了与设施有关的两类活动：核心基础设施和用户服务。在本文中，我们将回顾这两个领域的现有技术，并描述VTF的计划能力。特别是，我们将专注于下一代天空调查所需的可扩展性和服务质量问题，如LSST和SKA。
2011-11-09 astro-ph.IM
Uncertainty estimation for time series classification: Exploring predictive uncertainty in transformer-based models for variable stars
本研究提出HA-MC Dropout混合方法，增强基于Transformer的变星光曲线分类模型的不确定性估计，在MACHO、OGLE-III和ATLAS数据集上显著提升误分类检测能力，优于深度集成基线。
2024-12-13 astro-ph.IM
Machine Learning Search for Gamma-Ray Burst Afterglows in Optical Surveys
由于机器人望远镜的进步，时域天文学导致每晚在图像中检测到大量瞬态事件。介绍了用于对象分类的数据挖掘和机器学习工具。目标是自动分类瞬态事件，以便更大的望远镜进一步跟踪和瞬态事件的统计研究。特别注意的是伽马射线暴余辉的识别。机器学习技术被用于根据$g'-r'$、$r'-i'$和$i'-z'$颜色指数识别SDSS档案图像中存在的天体之间的GROND伽马射线暴余辉。比较了支持向量机、随机森林和神经网络算法的性能。一个联合元分类器，建立在个人分类器的顶部，可以识别GRB余辉与$\gtrsim 90\%$的整体精度。
2015-11-14 astro-ph.HE astro-ph.IM
Machine Learning Classification of SDSS Transient Survey Images
University of Cape Town（开普敦大学）；African Institute for Mathematical Sciences（非洲数学科学研究所）；South African Astronomical Observatory（南非天文台）；University of the Western Cape（西开普大学）；University of Southampton（南安普顿大学）
我们表明，多种机器学习算法可以匹配人类的表现，将斯隆数字巡天（SDSS）超新星调查的瞬态成像数据分类为真实物体和文物。这是任何瞬时科学管道的第一步，目前仍由人类完成，但未来的调查，如大型综合巡天望远镜（LSST），将需要完全由机器支持的解决方案。使用从特征图像分析训练的特征（主成分分析，PCA）的单时期g，r和i-差异图像，我们可以达到96%的完整性（召回），而只有最多18%的人工制品被错误地分类为真实物体，对应的精确度（纯度）为84%。其次是k-最近邻和SkyNet人工神经网络算法，与其他方法如朴素贝叶斯和核支持向量机进行了比较。我们的研究结果表明，基于PCA的机器学习可以与人类的成功水平相匹配，并且可以通过包括多个时期的数据，瞬态颜色和宿主星系信息来自然扩展，这应该允许显着的进一步改进，特别是在低信噪比下。
2015-11-20 astro-ph.CO astro-ph.IM cs.CV
Application of machine learning algorithms to the study of noise artifacts in gravitational-wave data
在LIGO数据中搜索天体物理瞬态的灵敏度通常受到瞬态非高斯噪声伪影的限制，这些伪影以足够高的速率发生，使得多个探测器之间的偶然巧合不可忽略。此外，非高斯噪声伪影通常在由平稳噪声贡献的背景上占主导地位。这些“毛刺”很容易被混淆为瞬态引力波信号，它们的鲁棒识别和消除将有助于任何天体物理引力波的搜索。我们将机器学习算法（MLAs）应用于这个问题，使用来自LIGO探测器内辅助通道的数据，这些探测器监测不受天体物理信号影响的自由度。描述这些干扰的随机信道参数的数量也可能非常大; MLA特别适合的区域。我们证明了三个非常不同的MLAs的可行性和适用性：人工神经网络，支持向量机和随机森林。这些分类器识别并消除了两个非常不同的数据集中存在的大部分故障：LIGO第四次科学运行的四周和LIGO第六次科学运行的一周。我们观察到，所有三种算法都同意哪些事件是第六次科学运行数据的10%以内的故障，并通过显示每个分类器使用的不同优化标准生成相同的决策表面来支持这一点，基于似然比统计。此外，我们发现，所有的分类器获得类似的限制性能，这表明我们提取的辅助信道参数中包含的大部分有用信息已经被使用。
2013-03-27 astro-ph.IM
Towards Rate Estimation for Transient Surveys I: Assessing Transient Detectability and Volume Sensitivity for iPTF
在过去的几十年里，在时域天文学的各种途径中出现了瞬态检测设备，为我们提供了丰富的瞬态数据集。这些瞬变的速率在恒星形成、祖先模型、演化通道和宇宙学测量中具有重要意义。任何速率计算的关键组成部分是作为许多内在和外在参数的函数的勘测对特定瞬态类型的可探测性和时空体积灵敏度。对多维参数空间进行完全采样具有挑战性。相反，我们提出了一个计划，使用监督机器学习来评估瞬态的可检测性。该数据产品是一个分类器，它确定从与时域勘测望远镜相关联的图像减法流水线产生的源的检测可能性，同时考虑到瞬态的固有特性和观测条件。我们应用我们的方法评估了Palomar瞬变工厂（iPTF）中Ia型超新星（SNe~Ia）的时空体积敏感性，得到了$\langle VT\rangle_{\mathrm{Ia}}=2.93\pm 0.21\times 10^{-2}\mathrm{Gpc^{3}yr}$ .根据文献中的速率估计值，该体积灵敏度给出了iPTF可检测到的$680-1160$ SNe~Ia计数，这与存档数据一致。为了使这一方法具有更广泛的应用性，我们对长持续时间的IIp型超新星（SNe~IIp）进行了初步计算，发现了$\langle VT\rangle_{\mathrm{IIp}}=7.80\pm0.76\times10^{-4}\mathrm{Gpc^{3}yr}$。该分类器可用于计算快速的空间-时间体积灵敏度计算的…
2019-06-21 astro-ph.IM
Machine Learning based search for Cataclysmic Variables within Gaia Science Alerts
宽场时域设施通过差分成像检测大量瞬态事件。例如，Zwicky Transient Facility每晚会产生数十万个瞬变事件的警报，这一速度与即将到来的Vera Rubin天文台相比相形见绌。因此，机器学习（ML）提供的自动化对这些事件进行分类并选择最有趣的来源进行后续观察是必要的。激变变星（CV）是一种数量众多、明亮且邻近的瞬变变星，为研究吸积和双星演化提供了极好的实验室。在这里，我们专注于我们使用ML来识别由盖亚科学警报计划（GSA）发布的瞬态源的光度数据的CV-一个大的，容易访问的资源，没有充分利用ML。使用光变曲线特征提取技术和来自盖亚调查的源元数据产生了一个随机森林模型，该模型能够将CV与超新星，活动星系核和年轻恒星物体区分开来，精确度为92%，命中率为85%。在GSA内没有指定瞬态分类的13，280个源中，我们的模型预测了$\sim$ 2800的CV类别。光谱观测正在进行中，以分类这些目标的统计学显著样本，以验证模型的性能。这项工作使我们走上了一条从未来的广泛调查（如空间和时间的遗产调查）中对罕见CV亚型进行分类的道路。
2022-10-04 astro-ph.GA astro-ph.IM astro-ph.SR
How effective is machine learning to detect long transient gravitational waves from neutron stars in a real search?
我们提出了一个全面的研究卷积神经网络（CNN）的有效性，以检测长时间的瞬态引力波信号持久$O(hours-days)$从孤立的中子星。我们确定CNN对与训练集不同的信号形态具有鲁棒性，并且它们不需要许多训练注入/数据来保证良好的检测效率和低虚警概率。事实上，我们只需要在单个150 Hz频带中的信号/噪声图上训练一个CNN;之后，CNN可以在任何频带中很好地区分信号/噪声，尽管由于LIGO/Virgo中的非平稳噪声而具有不同的效率和虚警概率。我们证明了我们可以通过选择CNN输出的最佳阈值来控制CNN的虚警概率，这似乎是频率相关的。最后，我们比较了网络的检测效率，一个行之有效的算法，广义FrequencyHough（GFH），它映射曲线的时间/频率平面的线在一个平面上，涉及到的初始频率/旋转的源。该网络具有与GFH相似的灵敏度，但运行速度快几个数量级，并且可以检测GFH盲的信号。利用我们的分析结果，我们提出了将CNN应用于使用LIGO/Virgo数据的实际搜索的策略，以克服我们会遇到的障碍，例如有限的训练数据量。然后，我们使用我们的网络和策略来真正搜索GW 170817的残余物，这是有史以来第一次将机器学习方法应用于搜索来自孤立中子星的引力波信号。
2019-09-05 astro-ph.IM physics.data-an
Machine Learning-based Brokers for Real-time Classification of the LSST Alert Stream
大型综合巡天望远镜（LSST）将发现前所未有的瞬时事件数量和速率，这要求天文学界更新其后续范式。警报经纪人--一个自动化的软件系统，用于筛选、描述、注释和优先处理后续事件--将是LSST时代管理警报流的关键工具。Arizona-NOAO时间分析和事件响应系统（ANTARES）就是这样一个代理。在这项工作中，我们开发了一个机器学习管道，仅使用可用的多波段光学光度学来表征和分类可变和瞬态源。我们描述了三个说明性的阶段的管道，服务于三个目标的早期，中期和回顾性分类的警报。第一种形式是变量与瞬态分类，第二种是组合变量和瞬态数据集的多类类型，第三种是瞬态类的纯度驱动子类型。虽然几个类似的算法已经证明了自己在模拟中，我们验证了他们的表现在真实的观察第一次。我们对来自各种现有观测活动的稀疏，不均匀采样，异方差数据进行了定量评估，并展示了非常有竞争力的分类性能。我们描述了我们的进展适应管道开发这项工作的实时经纪人工作的实时警报流从时域调查。
2018-01-22 astro-ph.CO astro-ph.HE astro-ph.IM
The automation of optical transient discovery and classification in Rubin-era time-domain astronomy
Northwestern University（西北大学）；Center for Interdisciplinary Exploration and Research in Astrophysics (CIERA)（天体物理学跨学科探索与研究中心）；University of Minnesota（明尼苏达大学）；California Institute of Technology（加州理工学院）
本文探讨了Rubin时代光学时间域天文学中瞬变发现与分类的自动化发展，分析了现有工作流程的现状，并提出了加速自动化的建议。
2025-12-12 astro-ph.HE astro-ph.IM
Automating Discovery and Classification of Transients and Variable Stars in the Synoptic Survey Era
现代天气成像巡天的图像获取速度已经开始超过让天文学家保持实时发现和分类循环的可行性。在这里，我们介绍了一个框架的内部工作原理，该框架基于机器学习算法，捕获有关可变和瞬态天空的专家培训和地面实况知识，以自动化1）图像差异的发现过程，以及2）对发现的源进行初步科学类型分类的生成。由于从快速变化的瞬变中提取新科学的后续资源是宝贵的，因此必须根据发现效率和所生成样本的纯度来表达自校准分类概率。我们估计的纯度和效率，在确定真正的来源与两个历元的图像差异发现算法的Palomar瞬态工厂（PTF）调查。一旦发现源，使用在PTF数据上训练的机器学习分类，我们以3.8%的总体错误率区分瞬变星和变星（斯隆数字巡天足迹内的成像误差为1.7%）。在>96%的分级效率下，样品达到90%的纯度。初步分类主要依赖于上下文为基础的功能，从数据本身和外部档案数据库确定。在自主运行后的约一年时间里，这一发现和分类框架带来了几项重要的科学成果，从爆发的年轻恒星到亚发光的IIP型超新星，再到候选的潮汐破裂事件。我们讨论了这种方法的未来方向，包括众包的可能作用和机器学习的可扩展性，以未来的调查，如大型综合巡天望远镜（LSST）。
2011-06-27 astro-ph.CO astro-ph.GA astro-ph.IM
Sensitivity study using machine learning algorithms on simulated r-mode gravitational wave signals from newborn neutron stars
University of Florida（佛罗里达大学）；California State University Fresno（弗雷斯诺加州州立大学）；California State University Stanislaus（斯坦尼斯洛斯加州州立大学）；INFN, Sezione di Roma（意大利国家核物理研究所罗马分所）；Università di Roma La Sapienza（罗马第一大学）
这是对新生中子星的r模式引力波信号的后续灵敏度研究，说明了机器学习算法用于检测长寿命引力波瞬变的适用性。在这项敏感性研究中，我们研究了三种机器学习算法（MLAs）：人工神经网络（ANN），支持向量机（SVM）和约束子空间分类器（CSC）。本研究的目的是比较的检测效率，MLAs可以实现与传统的检测算法的效率在较早的文件中讨论。使用2个不同的r模式波形进行比较。对于MLA的训练，我们假设给出了关于到源的距离的一些信息，使得在不宽于半个数量级的距离范围内执行训练。这项研究的结果表明，机器学习算法适用于检测长寿命的引力波瞬变，并且当假设知道到源的距离时，MLAs至少与传统方法一样有效。
2018-12-07 astro-ph.IM cs.LG
Identifying Tidal Disruption Events with an Expansion of the FLEET Machine Learning Algorithm
本研究扩展了用于筛选潮汐瓦解事件（TDE）的FLEET随机森林算法，验证了其识别性能与关键特征，生成了未分类TDE候选体列表，并模拟估算了其在鲁宾天文台与罗曼望远镜巡天中的TDE发现能力。
2022-10-19 astro-ph.HE astro-ph.IM
Detection and Mitigation of Glitches in LISA Data: A Machine Learning Approach
针对LISA的TDI数据受瞬态毛刺污染的问题，本文提出结合CNN、混合神经网络与LSTM反演器的机器学习校准流水线，实现毛刺检测、分类、估计与减除，支持低延迟引力波警报。
2024-01-01 astro-ph.IM gr-qc
Discovering features in gravitational-wave data through detector characterization, citizen science and machine learning
引力波的观测受到瞬态噪声（毛刺）的阻碍。我们研究了高级LIGO探测器第三次观测运行的数据，并确定了新的故障类别。使用通过监测探测器状态和公民科学志愿者组装的训练集，我们更新了Gravity Spy机器学习算法以进行故障分类。我们发现，一个新的毛刺类地面运动的检测器的网站是特别普遍，并确定两个子类，这与不同类型的地面运动。基于更新模型的数据重新分类发现，LIGO Livingston所有瞬态噪声中有27%属于新的毛刺类，使其成为该站点最常见的瞬态噪声源。我们的研究结果既展示了故障分类如何揭示引力波探测器的潜在改进，又展示了在适当的框架下，公民科学志愿者如何在大型数据集中做出发现。
2021-09-07 astro-ph.IM gr-qc physics.ins-det
Identifying Transients in the Dark Energy Survey using Convolutional Neural Networks
在观测天文学中，通过图像差分而无需直接人为干预来发现新瞬变的能力是一项重要任务。对于这类图像分类问题，卷积神经网络（CNN）等机器学习技术已经取得了显着的成功。在这项工作中，我们提出了一个自动瞬态识别的结果与CNN的图像从暗能量调查超新星计划（DES-SN），其主要重点是使用Ia型超新星的宇宙学的现存数据集。通过对CNN进行架构搜索，我们识别出了有效选择非人工产物（例如超新星、变星、活动星系核等）的网络。来自伪影（图像缺陷、误减等），实现了以前的工作与随机森林的效率，而不需要花费任何努力，在功能识别。CNN还帮助我们识别错误标记图像的子集。对该子集中的图像进行重新标记，使用CNN得到的分类结果明显优于以前的结果。
2022-09-02 astro-ph.IM stat.ML
Search for pulsars and transients with the GMRT
本文详细介绍了使用巨型米波射电望远镜（GMRT）从目标（费米定向搜索）和盲测（GMRT高分辨率南天- GHRSS）发现的21颗双星以及后续研究的结果。我们在费米定向搜索中发现了7个毫秒微扰星（MSP），这是GMRT发现的第一个银河系MSP。我们已经发现了13颗星（包括一颗MSP和两颗轻度回收的星），GHRSS调查是一个322 MHz的离银河平面调查，与GBT和LOFAR正在进行的其他低频调查互补的目标天空（December范围-40 deg到-54 deg）。同时进行时域和成像研究，以定位电磁波和瞬变，并利用机器学习进行有效的候选调查，这些都是GHRSS调查的一些特点，也在SKA设计方法中得到应用。
2017-12-11 astro-ph.HE astro-ph.IM
A Machine Learning Classifier for Microlensing in Wide-Field Surveys
虽然微透镜现象非常罕见，平均每观察到的百万颗恒星中才会出现一次，但目前和不久的将来的调查正在上线，有能力每隔几天就提供几乎整个可见天空的测光，深度可达R ~ 22等或更暗，这将有助于通过对微透镜现象的后续观察来探测黑洞和系外行星。基于银河系模型，我们可以预期在银河系更广泛的区域发生微透镜事件，尽管这些调查的节奏（每天2-3次）低于传统的微透镜调查，使有效的检测成为一项挑战。在利用时间序列数据利用非常高的数据率调查实时检测和分类瞬态事件方面正在取得迅速进展，但关于微透镜事件的检测，特别是当数据流节奏相对较低时，发表的工作有限。在这项研究中，我们探索了随机森林算法用于使用时间序列数据识别微透镜信号的实用性，目标是创建一个高效的机器学习分类器，即使在低节奏数据的情况下，也可以应用于在宽场调查中搜索微透镜。我们使用OGLE-II微透镜数据集应用并优化了我们的分类器，此外还使用PTF/iPTF调查数据和当前运行的ZTF进行了测试，ZTF应用了与即将到来的LSST相同的数据处理基础设施。
2020-04-29 astro-ph.EP astro-ph.GA astro-ph.IM
Machine Learning applications for Cataclysmic Variable discovery in the ZTF alert stream
本文面向 ZTF 瞬变警报流构建两阶段 CV 发现流水线，结合过滤、XGBoost 分类与 GTM 特征分析，实现不同激变变星类别的识别并获得 51 个候选体。
2023-12-09 astro-ph.HE astro-ph.IM astro-ph.SR
The Potential of Water-Cherenkov Air Shower Arrays for detecting transient sources of high-energy astrophysical neutrinos
本文研究水切伦科夫空气簇射阵列探测10 GeV至100 TeV高能中微子瞬变源的能力，提出利用站点双面光传感器、信号时间特征与机器学习的方法，并证明其与IceCube及Hyper-Kamiokande等实验具有互补性。
2024-06-13 astro-ph.HE astro-ph.IM hep-ex
NEural Engine for Discovering Luminous Events (NEEDLE): identifying rare transient candidates in real time from host galaxy images
本文提出混合分类器 NEEDLE，融合瞬变图像、警报测光和宿主星系信息，实时筛选 SLSNe 与 TDEs，并将部署于 Lasair。
2023-12-08 astro-ph.CO astro-ph.HE astro-ph.IM
