基于机器学习的系外行星发现：验证 TESS 候选星并识别宜居带行星
密码学与安全
2025-12-02 v1 机器学习
摘要
NASA 的 Kepler 和 TESS 任务提供的高精度光度测量已彻底改变了系外行星检测，使通过迁移法发现了超过 5500 颗确认系外行星，以及约 10000 颗待验证的候选星。然而，确认这些候选星为真正的行星需要仔细的筛查和后续观测，这会阻碍大规模数据集中系外行星的发现。为此，我们开发了一个在 Kepler 已确认系外行星和假阳性目录上进行训练的机器学习框架，以准确识别真实的系外行星候选星。我们的模型使用迁移特性、行星特征和宿主恒星参数作为训练特征。优化后的模型在交叉验证中实现了 83.9% 的准确率。当应用于 3987 个具有完整观测数据的所有 TESS 候选星时，模型识别出 1595 个新的高置信度行星，并在盲测验证测试中正确恢复了 86% (358/418) 的所有已确认 TESS 系外行星。我们的分析发现 100 个尚未识别的多行星系统，其中包括五个宿主宜居带系外行星的系统。此外，我们还在单个系统中识别了 15 个位于宜居带内的行星，表明在保守的行星反照率假设下，液态水的稳定性具有很大的潜力。本工作表明，机器学习可以在保持科学严谨性的同时加速系外行星验证。我们的模块化设计可直接适用于 PLATO 或 Earth 2.0 等未来光度测量任务。
引用
@article{arxiv.2512.00966,
title = {Mitigating Indirect Prompt Injection via Instruction-Following Intent Analysis},
author = {Mintong Kang and Chong Xiang and Sanjay Kariyappa and Chaowei Xiao and Bo Li and Edward Suh},
journal= {arXiv preprint arXiv:2512.00966},
year = {2025}
}