arXiv cs.AI· Xingchen Yan, Jian Ge, Qingtian Liu, Kevin Willis, Quanquan Hu, Jiapeng Zhu·· 13 小时前AI 评分27
TransitNet：面向低信噪比凌星盲搜的紧凑注意力增强深度学习框架
TransitNet: A Compact Attention-Augmented Deep Learning Framework for Low-SNR Transit Blind Searches
AI 导读
TransitNet 是一个紧凑的注意力增强深度学习框架，用于低信噪比凌星盲搜，在 SNR 6 至 8 区间达到 95.2% 准确率，ROC-AUC 与 PR-AP 分别为 0.974 和 0.982，优于 TLS 和 BLS。
正文 · AI 翻译
摘要：受中长周期地球大小行星观测不完整性的启发，我们提出了 TransitNet，一个紧凑的、注意力增强的深度学习框架，用于低信噪比凌星盲搜索。为在盲搜索条件下实现贴近实际的方法开发和客观的阈值校准，我们开发了一个统一的数据集构建、基准测试和阈值选择框架。在由未见过的开普勒目标构建的恢复基准上，TransitNet 在 6 至 8 的挑战性信噪比范围内达到 95.2% 的准确率，并优于 TLS 和 BLS，ROC-AUC 和 PR-AP 值分别为 0.974 和 0.982。在注入地球大小和亚地球大小凌星恢复实验中，TransitNet 达到 93.0% 的恢复率，大幅超过 TLS（63.1%）和 BLS（60.0%）。除检测外，TransitNet 还提供基于注意力的凌星窗口和中点估计。在独立评估集上，97.4% 的注入凌星被估计的凌星窗口完全覆盖。应用于真实开普勒观测时，该模型成功恢复了全部 34 颗选定的已确认开普勒行星，凌星中点平均绝对误差为 1.24 小时。该模型具有约 1.5 MB 的紧凑占用空间和高推理效率，相对于 CPU-TLS 加速约 12 至 25 倍，相对于 CPU-BLS 加速约 4 至 5 倍。这些结果表明，TransitNet 在所测试的范围内为低信噪比凌星盲搜索提供了一个准确、可扩展且计算高效的框架，并推动其扩展到更长周期的地球大小行星搜索。
| 评论： | 24 页，22 幅图，4 张表，已提交至 Astronomy & Astrophysics |
| 主题： | 地球与行星天体物理学（astro-ph.EP）；天体物理学仪器与方法（astro-ph.IM）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2606.18932 [astro-ph.EP] |
| （或 arXiv:2606.18932v3 [astro-ph.EP] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.18932 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Xingchen Yan [查看电子邮件]
[v1]
2026 年 6 月 17 日星期三 11:15:18 UTC（4,967 KB）
[v2]
2026 年 7 月 5 日星期日 00:41:18 UTC（5,083 KB）
[v3]
2026 年 10 月 28 日星期三 01:05:59 UTC（5,023 KB）
来源：arXiv cs.AI · arxiv.org