机器学习寻找“异类天体”：基于自编码器对轨道光谱进行深度学习降维以检测异常系外行星

本研究探讨了应用基于自编码器的机器学习技术进行异常检测，以识别具有非传统化学特征的系外行星大气层。我们使用 Atmospheric Big Challenge（ABC）数据库，该数据库包含超过10万个模拟系外行星光谱，构建了异常检测情景，将富含CO2的大气层定义为异常类，将CO2贫乏的大气层定义为正常类。我们对比评估了四种不同的异常检测策略：自编码器重构损失、单类支持向量机（1 class-SVM）、K-means聚类和局部离群因子（LOF）。每种方法均在原始光谱空间和自编码器潜在空间中使用接收者工作特征曲线（ROC）和曲线下面积（AUC）指标进行评估。为测试不同方法在真实条件下的性能，我们引入了10至50ppm的高斯噪声水平。我们的结果表明，在所有噪声水平下，基于潜在空间的异常检测都显著优于原始空间。具体而言，K-means聚类在潜在空间中表现出稳定且高性能。我们演示了该异常检测方法对噪声水平达到30ppm（符合实际太空探测条件）仍具鲁棒性，甚至在50ppm时也能保持可行性。相比之下，直接在原始光谱空间中应用的异常检测方法随噪声水平显著 degradation。这表明自编码器驱动的降维方法为在大规模调查中标记化学异常目标提供了稳健的解决方案，而这些调查的穷尽性检索计算成本昂贵。