Detección de novedades en curvas de luz basado en aprendizaje de máquinas

Abstract

Se propone un método de detección de outliers para curvas de luz (CL), basado en transformaciones de series de tiempo usadas como outliers auxiliares o aumento de datos. Se asume que los outliers son desconocidos y que solo se tiene acceso a un conjunto de inliers. Cada CL es codificada a un vector de tamaño fijo a través de una red neuronal. Un puntaje de anomalía es calculado en base a la cercanía al clúster más cercano en el espacio de las representaciones. El modelo es aplicado a los conjuntos de datos de los surveys ZTF, ASAS, LINEAR y ASAS-SN. Para la selección de modelo, se estiman métricas sustitutas con el conjunto de validación. Los resultados muestran que el método propuesto supera a los del estado del arte alcanzando un AUCPR promedio de 0.89 en la detección de outliers en los cuatro conjuntos de datos. La relevancia del trabajo radica en que es posible determinar qué tan novedosa es una curva de luz desconocida a partir de la señal misma en vez de calcular de características predefinidas, pudiendo ahorrar tiempo de cómputo y almacenamiento, en el contexto del procesamiento masivo de datos astronómicos que se espera en el futuro cercano.