天文数据多元时间序列异常的实时检测
机器学习
2021-12-20 v1 高能天体物理现象
天体物理仪器与方法
应用统计
机器学习
摘要
天文暂现源是在不同时间尺度上暂时变亮的恒星天体,并带来了宇宙学和天文学中一些最重要的发现。其中一些暂现源是被称为超新星的恒星爆发死亡,而其他则是罕见的、奇异的或全新种类的令人兴奋的恒星爆发。新的天文巡天正在观测数量空前的多波段暂现源,使得通过视觉识别新的和有趣的暂现源的标准方法不可行。为满足此需求,我们提出两种新颖方法,旨在实时快速自动检测异常暂现源光变曲线。两种方法基于一个简单的想法:如果来自已知暂现源群体的光变曲线能被精确建模,任何对模型预测的偏离都可能是异常。第一种方法是使用时间卷积网络(TCNs)构建的概率神经网络,第二种是一种可解释的暂现源贝叶斯参数模型。我们表明,神经网络的灵活性——这一使它们成为许多回归任务强大工具的特性——正是使它们相比我们的参数模型更不适合异常检测的原因。
引用
@article{arxiv.2112.08415,
title = {Real-time Detection of Anomalies in Multivariate Time Series of Astronomical Data},
author = {Daniel Muthukrishna and Kaisey S. Mandel and Michelle Lochner and Sara Webb and Gautham Narayan},
journal= {arXiv preprint arXiv:2112.08415},
year = {2021}
}
备注
9 pages, 5 figures, Accepted at the NeurIPS 2021 workshop on Machine Learning and the Physical Sciences