机器学习辅助的跨海王星天体的动力学分类

基于机器学习算法的框架适用于Palomar短暂工厂调查，已实现多个重要科学结果。

结合公民科学项目和卷积神经网络的方法，能够近实时识别超新星，优于单独使用任一方法。

通过PCA的机器学习算法对短暂成像数据分类，达到了96%的完整度和84%的准确度。

提出了一种原型事件分类系统的方法，结合贝叶斯和机器学习分类器，自动合并后续观测反馈。

使用机器学习对开放超新星目录的光度数据进行自动异常检测，识别了33%的异常天体。

研究报告介绍了机器学习在天文学突发事件实时分析中的应用，提出了应对数据集增长的挑战。

提出两种基于神经网络的瞬变分类方法，分类准确度超过94%，建议使用集成学习方法提高至97%。

研究了如何使用机器学习对共轨行星中的小行星进行分类，展示了高性能的识别和分类能力。

评述了开发自动化系统以识别和分类超新星的努力，强调机器学习在优化大规模调查中的作用。

利用机器学习算法实现基于光度测量的新型超新星分类方法，探索不同特征提取与算法的组合。