[论文解读] Scientific Data Mining in Astronomy

K. D. Borne|ArXiv.org|Nov 3, 2009

Astronomy and Astrophysical Research参考文献 69被引用 11

一句话总结

本文提出天体信息学作为天文学中一种新的数据密集型研究范式，整合数据挖掘、机器学习与语义标注，以实现实时分类来自大型巡天（如LSST）的暂现天体事件。该文提出一种基于分布式数据挖掘、元数据标记与协作标注的分类代理框架，以支持跨异构天文数据源的知识发现。

ABSTRACT

We describe the application of data mining algorithms to research problems in astronomy. We posit that data mining has always been fundamental to astronomical research, since data mining is the basis of evidence-based discovery, including classification, clustering, and novelty discovery. These algorithms represent a major set of computational tools for discovery in large databases, which will be increasingly essential in the era of data-intensive astronomy. Historical examples of data mining in astronomy are reviewed, followed by a discussion of one of the largest data-producing projects anticipated for the coming decade: the Large Synoptic Survey Telescope (LSST). To facilitate data-driven discoveries in astronomy, we envision a new data-oriented research paradigm for astronomy and astrophysics -- astroinformatics. Astroinformatics is described as both a research approach and an educational imperative for modern data-intensive astronomy. An important application area for large time-domain sky surveys (such as LSST) is the rapid identification, characterization, and classification of real-time sky events (including moving objects, photometrically variable objects, and the appearance of transients). We describe one possible implementation of a classification broker for such events, which incorporates several astroinformatics techniques: user annotation, semantic tagging, metadata markup, heterogeneous data integration, and distributed data mining. Examples of these types of collaborative classification and discovery approaches within other science disciplines are presented.

研究动机与目标

• 确立数据挖掘作为天文学中的基础性实践，强调其在分类、聚类与新事物检测中的作用。
• 应对日益增长的挑战：分析未来巡天（如LSST）产生的海量实时数据，这些巡天将在10年内每20秒生成6 GB图像。
• 推广一种新的科研与教育范式——天体信息学，整合跨分布式天文数据库的数据共享、重用与协作发现。
• 开发一种分类代理系统，通过语义标记与分布式数据挖掘，实现实时、自动且协作的暂现与变星天体识别。
• 将生物信息学中的信息学原则（如BioDAS）延伸至天文学，实现天文物体及其属性的标准化、机器可读标注。

提出的方法

• 采用以数据为中心的研究范式，将数据挖掘技术（尤其是无监督聚类、有监督分类与半监督异常检测）应用于天文数据。
• 实施一种分类代理系统，整合用户标注、语义标记与元数据标记，为数据增添科学意义与来源信息。
• 在异构数据集合中实施分布式数据挖掘，以在大规模、地理分布的天文数据库中扩展分类与发现任务的可伸缩性。
• 利用虚拟天文台基础设施，实现互操作性、数据集成与对分布式天文数字资源库的访问。
• 借鉴BioDAS（生物学分布式标注系统）的概念，创建类似的天文系统——AstroDAS，使研究人员能够标注并共享关于天文物体的知识。
• 结合人类专业知识与机器学习，提高分类准确性，并实现实时发现暂现现象（如超新星、小行星与变星）。

实验结果

研究问题

• RQ1 如何系统性地应用数据挖掘技术来解决现代天文学中的分类、聚类与新事物检测问题？
• RQ2 需要何种可扩展的分布式架构，才能实现实时分类LSST巡天预期产生的大量暂现与变星天体？
• RQ3 语义标注与元数据标记在提升天文数据的可重用性、互操作性与科学价值方面有何作用？
• RQ4 天体信息学在何种方式下可作为数据密集型天文学的统一科研与教育框架？
• RQ5 生物信息学中的原则（如分布式标注系统）如何可被改编以支持天文学中的知识发现？

主要发现

• 数据挖掘长期以来一直是天文学的基础，支撑着恒星、星系与暂现事件分类与聚类等核心科研活动。
• LSST项目将在10年内每20秒生成6 GB图像，形成数据洪流，因此必须依赖基于机器学习与数据挖掘的自动化实时分类系统。
• 整合用户标注、语义标记与分布式数据挖掘的分类代理框架，可实现协作性、可扩展性与透明性的新型天文事件发现。
• 将天体信息学融入天文学科研与教育，可支持基于探究的学习，使学生与公民科学家能够利用大型天文数据库开展真实的数据驱动发现。
• 通过将BioDAS模型适配至天文学（即AstroDAS），研究人员可建立标准化、分布式的天文物体知识标注与共享系统，提升数据来源信息与互操作性。
• 将天体信息学作为新子学科采纳，可推动天文学向数据驱动、协作与透明的科学发现范式转变，与虚拟天文台等现代网络基础设施保持一致。