論文の概要: What ZTF Saw Where Rubin Looked: Anomaly Hunting in DR23

• arxiv url: http://arxiv.org/abs/2507.06217v1
• Date: Tue, 08 Jul 2025 17:50:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-09 16:34:38.430098
• Title: What ZTF Saw Where Rubin Looked: Anomaly Hunting in DR23
• Title（参考訳）: ルビンが見たZTFの「DR23」の異常な追跡
• Authors: Maria V. Pruzhinskaya, Anastasia D. Lavrukhina, Timofey A. Semenikhi, Alina A. Volnova, Sreevarsha Sreejith, Vadim V. Krushinsky, Emmanuel Gangler, Emille E. O. Ishida, Matwey V. Kornilov, Konstantin L. Malanchev,
• Abstract要約: 我々は,ZTF分野における最初の系統的異常探索を行ったSNAD VIIIワークショップの結果を報告する。 PineForestのアクティブな異常検出アルゴリズムを用いて、選択した4つのフィールドを分析し、400の候補を視覚的に検査した。 RSCVn, By Draconis, 楕円形, 太陽型の6つの変光星を発見した。
• 参考スコア（独自算出の注目度）: 1.0111630543545151
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present results from the SNAD VIII Workshop, during which we conducted the first systematic anomaly search in the ZTF fields also observed by LSSTComCam during Rubin Scientific Pipeline commissioning. Using the PineForest active anomaly detection algorithm, we analysed four selected fields (two galactic and two extragalactic) and visually inspected 400 candidates. As a result, we discovered six previously uncatalogued variable stars, including RS~CVn, BY Draconis, ellipsoidal, and solar-type variables, and refined classifications and periods for six known objects. These results demonstrate the effectiveness of the SNAD anomaly detection pipeline and provide a preview of the discovery potential in the upcoming LSST data.
• Abstract（参考訳）: 我々はSNAD VIIIワークショップの結果を報告し、ルビン・サイエンティフィック・パイプライン・コミッション中にLSSTComCamが観測したZTFフィールドにおける最初の系統的異常探索を行った。 PineForestのアクティブな異常検出アルゴリズムを用いて、選択された4つのフィールド(2つの銀河系と2つの銀河系)を分析し、400の候補を視覚的に検査した。 その結果, RS~CVn, BY Draconis, 楕円型, 太陽型の6つの変光星が発見され, 6つの既知の天体の分類と周期が改良された。 これらの結果は,SNAD異常検出パイプラインの有効性を示し,今後のLSSTデータにおける発見可能性のプレビューを提供する。

関連論文リスト

• Unraveling Anomalies in Time: Unsupervised Discovery and Isolation of Anomalous Behavior in Bio-regenerative Life Support System Telemetry [43.90503061403169]
  南極のEDEN ISS宇宙温室から得られたテレメトリデータから得られた異常を解析した。 我々は,異常検出結果に時系列クラスタリングを適用し,様々な種類の異常を分類する。 本稿では, MDI と DAMP の異常検出手法が相補的な結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-06-14T08:29:34Z)
• A Classifier-Based Approach to Multi-Class Anomaly Detection for Astronomical Transients [0.0]
  希少な過渡性の同定に必須なリアルタイム異常検出 現代のサーベイ望遠鏡は毎晩何万もの警報を発生させる。 ヴェラ・C・ルービン天文台のような将来の望遠鏡はこの数を劇的に増やすことを計画した。
  論文  参考訳（メタデータ） (2024-03-21T18:00:00Z)
• Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
  本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。 この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
  論文  参考訳（メタデータ） (2023-12-22T15:04:20Z)
• Prototypical Residual Networks for Anomaly Detection and Localization [80.5730594002466]
  本稿では,PRN(Prototypeal Residual Network)というフレームワークを提案する。 PRNは、異常領域の分割マップを正確に再構築するために、異常領域と正常パターンの間の様々なスケールとサイズの特徴的残差を学習する。 異常を拡大・多様化するために,見かけの相違と外観の相違を考慮に入れた様々な異常発生戦略を提示する。
  論文  参考訳（メタデータ） (2022-12-05T05:03:46Z)
• Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
  時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。 時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。 本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
  論文  参考訳（メタデータ） (2022-11-09T22:40:22Z)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• A Deep Learning Approach for Active Anomaly Detection of Extragalactic Transients [1.7152709285783647]
  本稿では,シミュレーションしたルビン天文台の銀河外過渡現象をエンコードする変分リカレントオートエンコーダニューラルネットワークを提案する。 1,129,184のイベントを,孤立林を用いて推定した異常スコアに基づいてランク付けした。 我々のアルゴリズムは、ピーク前にこれらの過渡現象を異常と識別することができ、リアルタイムの追従研究を可能にしている。
  論文  参考訳（メタデータ） (2021-03-22T18:02:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。