天文发现和推荐系统的新异常检测管道

在 上一次年度会议上小组将精力集中在亮度随时间变化的物体上。该管道结合了机器学习算法的优势和人类专家不可替代的知识，以构建强大的异常检测工具。本文介绍了将该框架应用于Zwicky瞬态工具的第三个数据版本的结果。它的三个阶段涉及到对光曲线进行特征提取(随时间推移跟踪物体的亮度)，使用多种机器学习算法搜索异常候选者以及由人类专家手动筛选候选者。最后一步还包括尽可能使用其他望远镜进行观察。在这项研究中，使用了4种自动学习算法来标记277个异常候选对象供人类调查(初始数据集为2)。

该小组还开发了一个专门设计的Web界面，该界面可立即将每个候选人与现有的天文目录进行可视化和交叉匹配。这样做是为了方便需要将异常候选者与正在调查的天空坐标的任何其他公共可用信息相关联的专家的工作。

在被机器视为异常的277个对象中，发现188个(占68%)由于非天体物理效应(包括由于ZTF图像减影管线造成的缺陷)而显示出异常特征，其中66个(占24%)是在23(8%)是以前未知的对象。第一类包括一些有趣的好奇心，后两种包括科学兴趣。例如，被机器标记为异常的一个物体实际上是巴塞罗那小行星对背景恒星的掩星从地球观察者的角度来看，实际上这颗恒星和小行星均未真正改变亮度，因此将其检测为可变点源。作者还描述了反复出现的奇异图像减影伪影，这些伪影会干扰光曲线分析，并可能诱使异常检测管道认为它是真实的异常对象。为了帮助快速从剩余的候选对象中筛选出第一类，他们能够确定一个简单的二维关系，该关系可以用来在将来的研究中帮助过滤潜在的虚假光曲线。

在第二和第三类中，作者找到了四个超新星候选者，六个先前未分类的日食双星，四个主序前候选者，一个可能的红矮星耀斑，并在光谱上确认了RS Canum Venaticorum星，以及其他异常候选者。

快速，轻松地将文物与有趣的异常候选者分离对于当前和即将到来的下一代观测站(例如维拉·鲁宾观测站的时空传统调查(LSST))至关重要。LSST每晚将产生大约一千万个瞬态信号源-需要复杂而健壮的算法来筛选所有数据，以确保不会遗漏意外和有趣的物体，并且科学家可以更好地理解这些空间奇异之处。

主要作者康斯坦丁·马兰切夫(Konstantin Malanchev)是伊利诺伊大学香槟分校(美国)和罗蒙诺索夫莫斯科(俄罗斯)的斯特恩伯格天文研究所的研究员，他说：“设计专门的专用工具来搜索天体有趣的异常是我们唯一的选择， SNAD团队将全力帮助天文学界探索未来数据集的全部潜力。”

该文章已在《皇家天文学会月刊》上接受发表，也可以作为预印本公开获得。该源代码和结果，包括与潜在的科学应用，以及管道技术对象的完整列表，是向公众开放的由天文界的利益和验证。