DAWES

Dawes评论10：深度学习对分析星系调查的影响

过去几年，现代银河调查提供的数据的数量和复杂性一直在稳步增加。新设施将很快提供成像和频谱数亿个星系。从这些大型和多模式数据集中提取一致的科学信息仍然是社区和数据驱动的方法（例如深度学习）的开放问题，它已迅速成为解决一些持久挑战的潜在强大解决方案。这种热情在使用神经网络的前所未有的出版物的指数增长中反映了这种热情，这些指数从2015年的少数作品变成了2021年在Galaxy Surveys领域的平均每周一篇论文。在提到深度学习的第一批发表的工作中，在新的大数据集（例如欧几里得和LSST）开始启动之后不久，我们相信，我们相信及时回顾这项新技术在轨道中的真正影响及其潜在的潜力，以解决新数据集群的规模和复杂性提出的关键挑战。 因此，这篇综述的目的是两个方面。 我们首先要在一个共同的文件中总结深度学习的主要应用程序，用于到目前为止出现的星系调查。 然后，我们提取了所学到的主要成就和经验教训，并突出了关键的开放问题和局限性，在我们看来，这将需要在未来几年中特别关注。 总体而言，天文学界迅速采用了最先进的深度学习方法，反映了这些方法的民主化。 分类，分割）。在新的大数据集（例如欧几里得和LSST）开始启动之后不久，我们相信，我们相信及时回顾这项新技术在轨道中的真正影响及其潜在的潜力，以解决新数据集群的规模和复杂性提出的关键挑战。因此，这篇综述的目的是两个方面。我们首先要在一个共同的文件中总结深度学习的主要应用程序，用于到目前为止出现的星系调查。然后，我们提取了所学到的主要成就和经验教训，并突出了关键的开放问题和局限性，在我们看来，这将需要在未来几年中特别关注。总体而言，天文学界迅速采用了最先进的深度学习方法，反映了这些方法的民主化。分类，分割）。本评论表明，使用深度学习的大多数作品都符合计算机视觉任务（例如这也是应用程序的领域，深度学习带来了迄今为止最重要的突破。但是，我们还报告说，应用程序变得越来越多样化，深度学习用于估计星系特性，识别异常值或限制宇宙学模型。这些作品中的大多数仍处于探索性水平，这可能部分解释了引用方面的有限影响。在进行未来调查的处理中，很可能需要解决一些共同的挑战。例如，不确定性量化，可解释性，数据标记和领域转移问题从模拟的训练中转移问题，这构成了天文学的共同实践。