基于机器学习与数据增强的系外行星检测
地球与行星天体物理
2022-11-29 v1 天体物理仪器与方法
机器学习
摘要
近期研究表明，深度学习在利用 Kepler \cite{borucki2010kepler} \cite{koch2010kepler} 和 NASA 的凌星系外行星巡天卫星 (TESS) \cite{ricker2010transiting} 的光变曲线数据实现系外行星检测流程自动化方面具有显著潜力。遗憾的是，可用数据集的规模较小，使得难以达到从强大网络架构中所期望的性能水平。在本文中，我们研究了对光变曲线数据使用数据增强技术来训练神经网络识别系外行星的方法。所使用的增强技术分为两类：简单增强（例如加性噪声增强）和基于学习的增强（例如首先训练 GAN \cite{goodfellow2020generative} 来生成新样本）。我们证明了数据增强具有提升系外行星检测问题中模型性能的潜力，并建议随着可用数据的增加，采用基于生成模型的增强方法。
引用
@article{arxiv.2211.15577,
title = {Exoplanet Detection by Machine Learning with Data Augmentation},
author = {Koray Aydoğan},
journal= {arXiv preprint arXiv:2211.15577},
year = {2022}
}