用于天文时间序列建模的随机循环神经网络：优势与局限
天体物理仪器与方法
2023-03-24 v1 高能天体物理现象
摘要
本文评述 Sheng 等人（2022）应用于活动星系核光变的随机循环神经网络（SRNN）。天文数据具有源于望远镜能力、观测节奏策略、不可避免的观测天气条件以及对天体当前认知的固有局限。在应用机器学习方法时，理解数据局限对我们分析及推断能力的影响至关重要。我们以 Sheng 等人（2022）为案例研究，阐明在实现 SRNN 以模拟 Rubin 天文台所观测 AGN 变率时所遇到的问题与局限。
引用
@article{arxiv.2303.13197,
title = {Stochastic Recurrent Neural Networks for Modelling Astronomical Time Series: Advantages and Limitations},
author = {Xinyue Sheng and Matt Nicholl and Nicholas Ross},
journal= {arXiv preprint arXiv:2303.13197},
year = {2023}
}
备注
To appear in proceedings of EAS 2022 S11 session on machine learning in astronomy