ترجمه فارسی مقاله یک رویکرد مبتنی بر طبقه‌بندی برای تشخیص ناهنجاری چند طبقه که در سری‌های زمانی نجومی اعمال می‌شود

چکیده

Automating anomaly detection is an open problem in many scientific fields, particularly in time-domain astronomy, where modern telescopes generate millions of alerts per night. Currently, most anomaly detection algorithms for astronomical time-series rely either on hand-crafted features or on features generated through unsupervised representation learning, coupled with standard anomaly detection algorithms. In this work, we introduce a novel approach that leverages the latent space of a neural network classifier for anomaly detection. We then propose a new method called Multi-Class Isolation Forests (MCIF), which trains separate isolation forests for each class to derive an anomaly score for an object based on its latent space representation. This approach significantly outperforms a standard isolation forest when distinct clusters exist in the latent space. Using a simulated dataset emulating the Zwicky Transient Facility (54 anomalies and 12,040 common), our anomaly detection pipeline discovered $46\pm3$ anomalies ($\sim 85\%$ recall) after following up the top 2,000 ($\sim 15\%$) ranked objects. Furthermore, our classifier-based approach outperforms or approaches the performance of other state-of-the-art anomaly detection pipelines. Our novel method demonstrates that existing and new classifiers can be effectively repurposed for real-time anomaly detection. The code used in this work, including a Python package, is publicly available, https://github.com/Rithwik-G/AstroMCAD.

چکیده به فارسی (ترجمه ماشینی)

خودکارآمدی تشخیص ناهنجاری در بسیاری از زمینه های علمی ، به ویژه در نجوم دامنه زمانی ، که در آن تلسکوپ های مدرن میلیون ها هشدار در هر شب ایجاد می کنند ، یک مشکل باز است.در حال حاضر ، بیشتر الگوریتم های تشخیص ناهنجاری برای سری زمانی نجومی یا به ویژگی های دست ساز و یا بر روی ویژگی های تولید شده از طریق یادگیری بازنمایی بدون نظارت ، همراه با الگوریتم های تشخیص ناهنجاری استاندارد متکی هستند.در این کار ، ما یک رویکرد جدید را معرفی می کنیم که از فضای نهفته طبقه بندی کننده شبکه عصبی برای تشخیص ناهنجاری استفاده می کند.سپس ما یک روش جدید به نام جنگل های جداسازی چند کلاس (MCIF) را پیشنهاد می کنیم ، که جنگلهای جداگانه جداگانه را برای هر کلاس آموزش می دهد تا نمره ناهنجاری را برای یک شیء بر اساس بازنمایی فضای نهفته خود بدست آورند.این رویکرد به طور قابل توجهی از یک جنگل جداسازی استاندارد هنگامی که خوشه های مجزا در فضای نهفته وجود دارند ، بهتر است.با استفاده از یک مجموعه داده شبیه سازی شده برای تقلید از تسهیلات گذرا Zwicky (54 ناهنجاری و 12.040 مشترک) ، خط لوله تشخیص ناهنجاری ما 46 \ PM3 $ ناهنجاری ها ($ 85 \ ٪ $ remally) را کشف کرد$) اشیاء رتبه بندی شده.علاوه بر این ، رویکرد مبتنی بر طبقه بندی کننده ما بهتر از عملکرد سایر خطوط لوله تشخیص ناهنجاری پیشرفته است.روش جدید ما نشان می دهد که طبقه بندی کننده های موجود و جدید می توانند به طور مؤثر برای تشخیص ناهنجاری در زمان واقعی مجدداً مورد استفاده قرار گیرند.کد مورد استفاده در این کار ، از جمله یک بسته پایتون ، در دسترس عموم است ، https://github.com/rithwik-g/astromcad.