海量天文星表中异常光变曲线的监督检测

同步巡天的发展产生了海量数据，其分析所需资源已超出人类能力范围。为了处理这些信息并提取所有可能的知识，机器学习技术变得必不可少。在此，我们提出了一种新方法，用于在天文大星表中自动发现未知的变源。为了充分利用关于已知天体的所有信息，我们的方法基于监督算法。具体而言，我们使用已知变源类别训练随机森林分类器，并获得训练集中每个天体的投票结果。随后，我们用贝叶斯网络对该投票分布进行建模，从而获得训练天体间的联合投票分布。因此，若某未知天体的联合概率较低，则被视为离群点。鉴于训练过程可离线进行，我们的方法适用于探索海量数据集。我们在 MACHO 星表的 2000 万条光变曲线上测试了该算法，并生成了一份异常候选天体列表。我们将候选天体分为两类主要离群点：伪影和内在离群点。伪影主要由大气质量变化、季节性变化、校准不良或仪器误差引起，因此我们从离群点列表中将其移除并加入训练集。重新训练后，我们筛选出约 4000 个天体，并通过与所有公开星表进行交叉匹配对其进行后分析。在这些候选天体中，我们识别出某些已知但罕见的天体，如食变造父变星、蓝变星、激变变星和 X 射线源。部分离群点没有额外信息。其中，我们识别出三种未知的变光类型以及少量个体离群点，将对它们进行后续深入分析。