Luminis Stellarum et Machina：机器学习在光变曲线分析中的应用

天文观测能力的快速发展导致光变曲线（LC）数据量呈指数级增长，这为时域天文学带来了机遇与挑战。传统分析方法往往难以充分提取这些大规模复杂数据集的科学价值。机器学习（ML）算法日益被用于 LC 分析，使其能够实现分类、预测、模式发现和异常检测。然而，该领域的研究仍然碎片化，缺乏对 ML 方法如何解决 LC 数据特定挑战的综合性综述。关键难点包括类别不平衡、噪声或稀疏测量、有效特征提取以及模型可解释性有限。缺乏统一的概览导致研究人员难以识别合适的方法或识别需要方法论进步的未解决问题。为填补这一空白，本综述系统性地审阅了应用于 LC 分析的 ML 技术，阐述其原理和在如系外行星检测、变星分类和超新星识别等任务中的应用。通过澄清该领域的当前所处水平并突出开放挑战，本文为未来研究提供指导，并支持机器学习在天文大数据研究中的有效集成。