H-Alpha Anomalyzer: An Explainable Anomaly Detector for Solar H-Alpha Observations
Mahsa Khazaei, Azim Ahmadzadeh, Alexei Pevtsov, Luca Bertello, Alexander Pevtsov
大量的太空和地面观测站为天体物理学家提供了前所未有的数据量,这些数据只能使用先进的计算算法进行大规模处理。 因此,确保输入机器学习(ML)模型的数据质量至关重要。 GONG网络的Hα观测代表了这样一个数据流,自2010年以来,每分钟产生几次24/7的观测。 在这项研究中,我们引入了一种轻量级(非ML)异常检测算法,称为H-Alpha异常检测算法,旨在根据用户定义的标准识别异常观测。 与许多黑箱算法不同,我们的方法准确地强调了哪些区域触发了异常标志,并量化了相应的异常可能性。 对于我们的比较分析,我们还创建并发布了2000个观察的数据集,在异常和非异常病例之间平均分配。 我们的结果表明,拟议的模型不仅优于现有方法,而且还提供了可解释性,使领域专家能够进行定性评估。
The plethora of space-borne and ground-based observatories has provided astrophysicists with an unprecedented volume of data, which can only be processed at scale using advanced computing algorithms. Consequently, ensuring the quality of data fed into machine learning (ML) models is critical. The Hα observations from the GONG network represent one such data stream, producing several observations per minute, 24/7, since 2010. In this study, we introduce a lightweight (non-ML) anomaly-detection al...
