ИСТИНА

В данной работе мы впервые представляем машинное обучение с частичным привлечением учителя для поиска аномалий в астрономических данных. Суть метода заключается в применении стратегии активного обучения, когда человек и машина взаимодействуют друг с другом в процессе работы алгоритма. Когда машина находит самый аномальный объект выборки, его исследует эксперт, принимает окончательное решение о его аномальности и возвращает объект машине с пометкой «да» или «нет». На основе решения эксперта машина подбирает следующий по аномальности объект и вновь отдает его на экспертизу человеку и так далее. Таким образом, алгоритм обучается в режиме реального времени и в конечном итоге понимает, какого типа аномалии интересуют исследователя. Для доказательства эффективности подобного подхода, мы применили алгоритм активного поиска аномалий к фотометрическим данным Открытого Каталога Сверхновых и сравнили его результаты с результатами «статического» алгоритма изолирующего леса. В обоих случаях мы исследовали 2% объектов с самой высокой степенью аномальности. С помощью алгоритма активного поиска аномалий удалось обнаружить на 80% больше реальных астрофизических аномалий по сравнению с статическим методом. Этот результат служит указанием на то, что алгоритмы активного поиска аномалий могут оказаться весьма успешными и востребованными в эпоху широкопольных обзоров неба.