A review of unsupervised learning in astronomy

本文综述了流行的无监督学习方法，并概述了它们在天文学中的过去、现在和未来的应用。无监督学习旨在以某种方式组织数据集的信息内容，以便提取知识。传统上，通过降维技术实现这一点，例如通过主成分分析或使用自编码器来辅助数据集的排名，或通过在高维空间中进行简单的可视化来实现。无监督学习的其他理想特性包括识别簇，即相似对象的群组，这通常是通过k-means算法或最近通过基于密度的聚类（例如HDBSCAN）实现的。最近，出现了复杂的框架，将降维和聚类方法链在一起。然而，没有数据集是完全未知的。因此，现在很多研究都集中在自监督和半监督方法上，这些方法可以从监督和无监督学习中获益。

论文旨在总结流行的无监督学习方法，并概述它们在天文学中的应用，以提取知识。同时，研究人员也探索了自监督和半监督方法的应用。

无监督学习方法通过降维和聚类等技术，对数据集进行组织和排名，以便从中提取知识。论文中介绍了传统的PCA和自编码器，以及更复杂的聚类方法，如k-means和HDBSCAN。同时，研究人员也探索了自监督和半监督方法的应用。

论文介绍了无监督学习方法在天文学中的应用，并探讨了自监督和半监督学习的潜在用途。实验使用了多个数据集，并比较了不同方法的效果。论文提供了一些值得深入研究的方向，如如何更好地结合有监督和无监督学习方法。

最近的相关研究包括：'Unsupervised Machine Learning in Astronomy'、'Unsupervised clustering of astronomical data'、'Semi-Supervised Learning for Astronomical Applications'等。