基于卷积自编码器的周期变星异常检测与分类流水线
太阳与恒星天体物理
2021-11-30 v1 天体物理仪器与方法
计算物理
数据分析、统计与概率
摘要
恒星的周期性脉动告诉我们其 underlying 物理过程。我们提出一种基于卷积自编码器的流水线，作为在兹威基瞬变设施周期变星目录（ZTF CPVS）中自动搜索分布外异常周期变星的方法。我们使用孤立森林（isolation forest）按异常分数对每个周期变星进行排序。我们总体上最异常的事件具有独特的物理起源：它们大多是高度可变且不规则的演化恒星。多波段数据表明它们最可能是集中于银河系盘中的红巨星或渐近巨星支恒星。此外，我们展示了学习到的潜在特征如何通过一个分层随机森林用于周期变星的分类。这种新颖的半监督方法使天文学家能够在给定物理类别中识别最异常的事件，显著增加了科学发现的潜力。
引用
@article{arxiv.2111.13828,
title = {A Convolutional Autoencoder-Based Pipeline for Anomaly Detection and Classification of Periodic Variables},
author = {H. S. Chan and S. H. Cheung and V. Ashley Villar and Shirley Ho},
journal= {arXiv preprint arXiv:2111.13828},
year = {2021}
}
备注
7 pages, 4 figures