CLiMB：一种用于银河考古学和科学发现的领域信息驱动的新奇性检测聚类框架
天体物理仪器与方法
2026-02-25 v2 星系天体物理
人工智能
摘要
在数据驱动的科学发现中，一个挑战在于对已充分表征的现象进行分类，同时识别新的异常。当前的半监督聚类算法并不总能完全解决这种双重性，它们通常假设监督信号具有全局代表性。因此，这些方法常常施加严格的约束，从而抑制了未预期的模式，或者需要预先指定聚类数量，这使得它们对于真正的新奇性检测效果不佳。为了弥合这一差距，我们引入了CLiMB（多相边界聚类），这是一个领域信息驱动的框架，将先验知识的利用与未知结构的探索解耦。CLiMB采用顺序两阶段方法，首先使用度量自适应约束划分来锚定已知聚类，随后对残差数据应用基于密度的聚类以揭示任意拓扑结构。我们在来自盖亚数据发布3的天琴座RR型变星数据上演示了该框架。在恢复已知银河系子结构时，CLiMB在90%的种子覆盖率下达到了0.829的调整兰德指数，优于停滞在0.20以下的启发式和基于约束的基线方法。此外，敏感性分析证实了CLiMB卓越的数据效率，显示出随着知识增加而单调提升的性能。最后，该框架成功地在未标记场中分离出三个不同的动力学特征（Shiva、Shakti和银盘），验证了其科学发现的潜力。
引用
@article{arxiv.2601.09768,
title = {CLiMB: A Domain-Informed Novelty Detection Clustering Framework for Galactic Archaeology and Scientific Discovery},
author = {Lorenzo Monti and Tatiana Muraveva and Brian Sheridan and Davide Massari and Alessia Garofalo and Gisella Clementini and Umberto Michelucci},
journal= {arXiv preprint arXiv:2601.09768},
year = {2026}
}
备注
19 pages, 4 figures