Detecção Ativa de Anomalias (Time-Domain)

Em resumo

Apresenta a primeira evidência de que técnicas de aprendizado adaptativo (active learning) aumentam a descoberta de objetos incomuns na astronomia.

Ishida, E.~E.~O. (2021)

Síntese

Apresenta a primeira evidência de que técnicas de aprendizado adaptativo (active learning) aumentam a descoberta de objetos incomuns na astronomia. É DIRETO ao tema do seu projeto: detectar estrelas atípicas (anomalias) de forma eficiente.

Ver artigo original

Citação

@ARTICLE{Ishida2021,
       author = {{Ishida}, E.~E.~O. and {Kornilov}, M.~V. and {Malanchev}, K.~L. and {Pruzhinskaya}, M.~V. and {Volnova}, A.~A. and {Korolev}, V.~S. and {Mondon}, F. and {Sreejith}, S. and {Malancheva}, A.~A. and {Das}, S.},
        title = "{Active anomaly detection for time-domain discoveries}",
      journal = {\aap},
     keywords = {methods: data analysis, supernovae: general, stars: variables: general, Astrophysics - Instrumentation and Methods for Astrophysics, Computer Science - Machine Learning, Statistics - Machine Learning},
         year = 2021,
        month = jun,
       volume = {650},
          eid = {A195},
        pages = {A195},
          doi = {10.1051/0004-6361/202037709},
archivePrefix = {arXiv},
       eprint = {1909.13260},
 primaryClass = {astro-ph.IM},
       adsurl = {https://ui.adsabs.harvard.edu/abs/2021A&A...650A.195I},
      adsnote = {Provided by the SAO/NASA Astrophysics Data System}
}