From Chaos to Clarity: Time Series Anomaly Detection in Astronomical Observations

随着天文设施的发展，这些设施所观测到的大规模时间序列数据正在被收集。分析这些天文观测中的异常对于揭示潜在的天体事件和物理现象以推进科学研究过程至关重要。然而，现有的时间序列异常检测方法在应对天文观测的独特特征方面存在不足，其中每颗星体本质上是独立的，但受到随机并发噪声的干扰，导致误报率高。为了克服这些挑战，我们提出了AERO，一种新颖的、专门针对天文观测中无监督异常检测的两阶段框架。在第一阶段，我们采用基于Transformer的编码器-解码器架构，以符合变量（即星体）独立性的特点，在每个变量上学习正常的时间模式。在第二阶段，我们通过窗口式图结构学习增强了图神经网络，以应对由空间和时间随机性特征的并发噪声的发生。这样，AERO不仅能够区分正常的时间模式和潜在的异常，而且能够有效区分并发噪声，从而减少误报数量。我们在三个合成数据集和三个真实数据集上进行了广泛的实验。结果表明，AERO优于比较基准模型。值得注意的是，与最先进的模型相比，AERO在合成数据集和真实数据集上的F1分数分别提高了高达8.76%和2.63%。

本篇论文旨在解决天文观测中的异常检测问题，该问题具有独立变量和随机噪声的特点，导致现有的异常检测方法存在误报率高的问题。

本文提出了一种新的两阶段框架AERO，第一阶段使用基于Transformer的编码器-解码器结构学习每个变量（即星）的正常时间模式，第二阶段使用基于图神经网络的窗口式图结构学习来处理空间和时间随机性，以区分正常模式和潜在异常，并有效区分并发噪声。

本文在三个合成数据集和三个真实数据集上进行了广泛的实验，结果表明AERO优于现有的基线模型。值得关注的是，与现有的最先进模型相比，AERO在合成数据集和真实数据集上的F1-score分别提高了8.76％和2.63％。

最近在这个领域中，有一些相关的研究，例如：《Astronomical Time Series Classification Using Convolutional Neural Network and Data Augmentation Techniques》、《Deep Learning for Time-Series Analysis》等。