S-PLUS DR4 — Outliers de SED

Em resumo

Usa abordagem de machine learning não-supervisionado (autoencoder para detecção de anomalias + t-SNE) nos dados fotométricos do S-PLUS para selecionar ~19.

Quispe-Huaynasi, F. (2050)

Síntese

Usa abordagem de machine learning não-supervisionado (autoencoder para detecção de anomalias + t-SNE) nos dados fotométricos do S-PLUS para selecionar ~19.000 candidatos cuja SED não é bem reconstruída, identificando populações estelares raras (69 estrelas ricas em carbono). Exemplo prático de autoencoder para anomalias — direto ao seu método.

Ver artigo original

Citação

@ARTICLE{QuispeHuaynasi2025,
       author = {{Quispe-Huaynasi}, F. and {Roig}, F. and {Holanda}, N. and {Loaiza-Tacuri}, V. and {Eleut{\'e}rio}, Romualdo and {Pereira}, C.~B. and {Daflon}, S. and {Placco}, V.~M. and {Lopes de Oliveira}, R. and {Sestito}, F. and {Humire}, P.~K. and {Borges Fernandes}, M. and {Kanaan}, A. and {Mendes de Oliveira}, C. and {Ribeiro}, T. and {Schoenell}, W.},
        title = "{An Unsupervised Machine Learning Approach to Identify Spectral Energy Distribution Outliers: Application to the S-PLUS DR4 Data}",
      journal = {\aj},
     keywords = {Chemically peculiar stars, Carbon stars, White dwarf stars, Low mass stars, Binary stars, 226, 199, 1799, 2050, 154, Solar and Stellar Astrophysics, Astrophysics of Galaxies, Instrumentation and Methods for Astrophysics},
         year = 2025,
        month = jun,
       volume = {169},
       number = {6},
          eid = {332},
        pages = {332},
          doi = {10.3847/1538-3881/adcf26},
archivePrefix = {arXiv},
       eprint = {2504.18491},
 primaryClass = {astro-ph.SR},
       adsurl = {https://ui.adsabs.harvard.edu/abs/2025AJ....169..332Q},
      adsnote = {Provided by the SAO/NASA Astrophysics Data System}
}