大型射电调查的人工智能框架综述：近期研究进展概述
天体物理仪器与方法
2025-10-14 v1 宇宙学与河外天体物理
星系天体物理
摘要
大型射电调查年产数据规模超过百太字节，亟需自动化数据分析方法。近期研究探索了机器学习技术以应对射电星系检测与分类，以及奇异射电源发现的挑战。本文概述了我们针对演化宇宙地图 (EMU) 调查的调查，详细阐述所采用的方法——包括监督式、无监督式、自监督式和弱监督式学习方法——及其对当前及未来射电天文调查的意义。
引用
@article{arxiv.2510.11145,
title = {Machine Learning Frameworks for Large-Scale Radio Surveys: A Summary of Recent Studies},
author = {Nikhel Gupta},
journal= {arXiv preprint arXiv:2510.11145},
year = {2025}
}
备注
7 pages, 1 figure, URSI AP-RASC 2025