WATSON-Net：用于空间观测中检验、验证与分析模向信号的神经网络
地球与行星天体物理
2025-11-13 v1 天体物理仪器与方法
机器学习
摘要
背景。随着检测到的模向系外行星候选信号数量的持续增长，针对这些信号进行优先排序和验证的稳健且可扩展的自动化工具需求日益紧迫。在最有前景的解决方案中，深度学习模型能够解释在vetting过程中传统使用的复杂诊断指标。目标。在本工作中，我们提出WATSON-Net，一种新的开源神经网络分类器和数据准备软件包，旨在与当前用于检验和验证来自太空任务中模向信号的工具相抗衡。方法。使用Kepler Q1-Q17 DR25数据进行训练，采用10折交叉验证，WATSON-Net产生十个独立模型，每个模型都在专门的验证和测试集上进行评估。这十个模型经过校准，准备好可扩展到TESS数据，以标准化输入管道，允许在不同太空任务之间进行性能评估。结果。对于Kepler目标，WATSON-Net在精确度为0.99时召回率（[email protected]）为0.903，位列第二，只有ExoMiner网络表现更好（[email protected]=0.936）。对于TESS信号，WATSON-Net作为表现最好的非微调机器学习分类器，测试集上实现了0.93的精确度和0.76的召回率。该模型及其数据准备工具均公开于dearwatson Python软件包中，完全开源并集成到SHERLOCK流水线的vetting引擎中。
引用
@article{arxiv.2511.08768,
title = {WATSON-Net: Vetting, Validation, and Analysis of Transits from Space Observations with Neural Networks},
author = {M. Dévora-Pajares and F. J. Pozuelos and J. C. Suárez and M. González-Penedo and C. Dafonte},
journal= {arXiv preprint arXiv:2511.08768},
year = {2025}
}
备注
Submitted, Open to comments