ZTF 瞬变警报流中的异常检测：Anomaly Hunter for Alerts (AHA)

现代时域观测项目产生的警报流规模使得进行彻底的手动检查不可行，亟需自动方法识别异常瞬变以进行跟踪观测。本文介绍了应用于 ZTF 警报流的无监督异常检测管道，采用 Lasair 代理。我们将正常对象定义为 Ia 类超新星、II 类超新星和 Ib/c 类超新星。异常对象包括：(i) 更特殊的瞬变现象，如 AGN、TDE、SLSN、CV 和核瞬变；以及 (ii) 具有异常属性的超新星标记对象（如 spectroscopically 分类或由 Lasair 标记），其属性可能包括不正确或缺失的宿主关联，或非超新星样的光度曲线。我们的管道由三个独立训练的简单自编码器构成，分别针对警报流的不同数据产品：对象特征、三角形图像裁切和光度曲线。每个模型均在以主要为正常瞬变为主的训练数据上进行训练，并通过对比实验中对异域天体的召回率以及对所有异常对象的纯度来评估性能。测试集中，性能以固定排名（对应前十名候选）进行评估；在警报流中，则使用基于测试集行为定义的异常阈值进行评估。在两者设置下，算法一致恢复前十名候选中的异常天体和异常超新星。连续 25 天的警报流应用中，我们识别出 87 个异常超新星候选目标供后续观测。不同自编码器在测试集中的异常重叠为零，在警报流中的重叠较小，任意两个算法的最大重叠为 11 个对象。该框架数据高效，仅需几千个训练样本，适用于 Rubin 观测器警报流的早期及持续应用。