[论文解读] Automatically detecting anomalous exoplanet transits

Christoph J. Hönes, B. Miller+2 more|arXiv (Cornell University)|Nov 16, 2021

Advanced Statistical Methods and Models被引用 2

一句话总结

本文提出了一种新颖的变分自编码器架构，将系外行星凌星光曲线分解为标准凌星分量和残差分量，分别使用独立的VAE对两者进行建模。通过在残差VAE的潜在表征上应用无监督异常检测，该方法在合成数据集上实现了显著更高的异常检测性能——平均精度比原始数据高出61.81%——并首次实现了对真实TESS数据中异常凌星的自动化识别。

ABSTRACT

Raw light curve data from exoplanet transits is too complex to naively apply traditional outlier detection methods. We propose an architecture which estimates a latent representation of both the main transit and residual deviations with a pair of variational autoencoders. We show, using two fabricated datasets, that our latent representations of anomalous transit residuals are significantly more amenable to outlier detection than raw data or the latent representation of a traditional variational autoencoder. We then apply our method to real exoplanet transit data. Our study is the first which automatically identifies anomalous exoplanet transit light curves. We additionally release three first-of-their-kind datasets to enable further research.

研究动机与目标

• 为解决传统异常检测方法在原始、复杂光曲线数据上难以识别异常系外行星凌星光曲线的挑战。
• 开发一种深度学习架构，显式建模凌星分解为标准模型与异常残差的加法结构。
• 通过学习残差偏离预期凌星形状的解耦、低维潜在表征，实现无监督异常检测。
• 发布首个完全标注的合成数据集（ALT-i 和 ALT-h）以及真实TESS凌星数据，以推动系外行星科学中深度学习的未来发展。

提出的方法

• 该方法使用两个变分自编码器：TransitVAE用于重建理论凌星形状（基于Mandel & Agol形式化），ResidualVAE用于建模与该形状的偏差。
• 应用确定性变换f将理论凌星模型与观测光曲线对齐，其参数包括水平偏移（lh）、水平缩放（sh）、垂直缩放（sv）和线性趋势（ts, te）。
• TransitVAE通过在理论凌星ξ上的重构损失，以及通过回归和MSE预测观测光曲线参数（lh, sh, sv, ts, te）的变换损失进行训练。
• ResidualVAE仅在残差信号y = x − f(ξ, t)上进行训练，使用标准VAE损失以学习异常的紧凑、解耦潜在表征。
• 通过无监督分类器（如LOF、马氏距离）从ResidualVAE的潜在空间计算异常得分，性能通过平均精度评估。
• 采用动态加权方案处理重构损失与KL散度损失，以稳定训练过程，超参数通过验证集调优。

实验结果

研究问题

• RQ1 是否一种将凌星光曲线分解为标准分量与残差分量的深度生成模型，相比直接分析原始数据，能提升无监督异常检测性能？
• RQ2 对预期凌星形状的残差偏差的潜在表征，在识别已知异常凌星形态（如恒星黑子、解体行星）方面有多有效？
• RQ3 在具有已知标签的合成数据集上，所提出的双VAE架构是否优于标准VAE和原始数据的异常检测性能？
• RQ4 该方法能否泛化至真实世界中的TESS凌星数据，实现对异常凌星光曲线的首次自动化检测？
• RQ5 模型超参数与架构选择（如VAE大小、损失加权）在合成与真实数据上的检测性能影响程度如何？

主要发现

• 在ALT-i合成数据集上，ResidualVAE潜在表征使用马氏距离实现85.12%的平均精度，优于原始数据（22.22%）和标准VAE（60.95%）超过60个百分点。
• 与基于原始数据的异常检测相比，该方法平均精度提升61.81%；与朴素VAE降维方法相比，提升23.08%。
• ResidualVAE特征在所有测试的异常检测分类器中表现最佳，LOF与马氏距离达到最高得分。
• 该模型成功识别了真实TESS数据中的异常凌星，标志着文献中首次实现此类异常的自动化检测。
• 该架构对凌星对齐与缩放变化表现出强鲁棒性，尤其在更具挑战性的ALT-h数据集上，尽管存在高度变异性，性能依然出色。
• ALT-i与ALT-h数据集，连同真实TESS数据的发布，为系外行星科学中的深度学习提供了首个标注的、合成的凌星异常基准数据集。