多类深度 SVDD：面向具有不同内点类别的天文学异常检测方法
机器学习
2023-08-11 v2 天体物理仪器与方法
摘要
随着现代巡天望远镜产生的天文数据量不断增加，自动化流水线及机器学习技术已成为分析和从这些数据集中提取知识的关键。异常检测，即识别数据中不规则或意外模式的任务，是天文学中的一项复杂挑战。在本文中，我们提出多类深度支持向量数据描述（MCDSVDD），它是前沿异常检测算法单类深度 SVDD 的扩展，专门设计用于处理具有不同数据分布的多类内点。MCDSVDD 使用神经网络将数据映射至超球面，其中每个超球面代表一个特定内点类别。每个样本距这些超球面中心的距离决定其异常分数。我们通过将 MCDSVDD 与若干异常检测算法在来自 Zwicky Transient Facility 的大型天文光变曲线数据集上比较来评估其有效性。我们的结果证明了 MCDSVDD 在利用不同内点类别存在的同时检测异常源的能力。复现结果所需的代码与数据公开于 https://github.com/mperezcarrasco/AnomalyALeRCE。
引用
@article{arxiv.2308.05011,
title = {Multi-Class Deep SVDD: Anomaly Detection Approach in Astronomy with Distinct Inlier Categories},
author = {Manuel Pérez-Carrasco and Guillermo Cabrera-Vives and Lorena Hernández-García and Francisco Forster and Paula Sánchez-Sáez and Alejandra Muñoz Arancibia and Nicolás Astorga and Franz Bauer and Amelia Bayo and Martina Cádiz-Leyton and Marcio Catelan},
journal= {arXiv preprint arXiv:2308.05011},
year = {2023}
}
备注
Accepted to ICML 2023 Workshop on Machine Learning for Astrophysics