StarEmbed

StarEmbed是一个公开的基准测试，用于严格和标准化地评估最先进的时序基础模型（TSFMs）在天文观测中的恒星时序数据（“光曲线”）上的性能。该数据集整合了专家审核的标签与来自Zwicky瞬变设施的多变量光曲线，产生了约40k个手工标注的光曲线，分布在七个天体物理类别中。StarEmbed旨在解决天文时序数据中的不规则采样和异方差性等独特挑战，通过零样本表示能力评估，展示了TSFMs在无监督聚类、监督分类和分布外源检测等任务中的性能。

StarEmbed is an open benchmark for rigorously and standardly evaluating the performance of state-of-the-art time-series foundation models (TSFMs) on stellar time-series data, also known as "light curves", obtained from astronomical observations. This dataset integrates expert-curated labels with multivariate light curves from the Zwicky Transient Facility, yielding approximately 40,000 manually annotated light curves spanning seven astrophysical categories. StarEmbed aims to address unique challenges in astronomical time-series data such as irregular sampling and heteroscedasticity, and demonstrates the performance of TSFMs on tasks including unsupervised clustering, supervised classification, and out-of-distribution detection via zero-shot representation assessment.

搜集汇总

数据集介绍

构建方式

在时域天文学领域，StarEmbed数据集通过整合兹威基瞬变设施的多波段光变曲线与经过专家验证的Catalina巡天周期性变星目录，构建了包含约四万条标记样本的标准化基准。数据筛选过程严格剔除了观测质量不佳、总观测次数不足32次、缺乏双波段数据以及样本量少于350的类别，最终形成覆盖七类天体物理类别的数据集，并按照7:1:2的比例划分训练集、验证集和测试集，确保各类别在分割中的代表性。

特点

该数据集的核心特征体现在其多维度挑战性：光变曲线不仅包含多波段观测形成的多元时间序列，更呈现出不规则采样间隔与异方差不确定性等天文观测特有属性。数据集中七类周期性变星（包括EW/EA型食双星、多种RR Lyrae变星、RS CVn活动双星及长周期变星）的物理特性差异显著，其光变形态涵盖从锯齿状脉冲到平滑正弦波等多样模式，为测试时间序列基础模型的泛化能力提供了理想场景。

使用方法

数据集支持三种核心评估范式：在无监督聚类任务中，通过K均值与层次聚类算法检验嵌入向量的本征结构；监督分类任务采用k近邻、线性探测、随机森林与多层感知机等分类器评估嵌入质量；分布外检测则通过多类别隔离森林算法衡量模型识别未知天体源的能力。所有评估均基于固定划分的数据分割与标准化度量指标，确保结果的可比性与可复现性。

背景与挑战

背景概述

StarEmbed数据集由西北大学与NSF–Simons AI Institute for the Sky (SkAI)于2025年联合创建，旨在填补时间序列基础模型在天文观测数据评估领域的空白。该数据集整合了兹威基瞬变设施提供的约四万条多波段恒星光变曲线，涵盖七类经专家验证的周期性变星，核心研究聚焦于测试模型在非规则采样、异方差性等天文特有挑战下的零样本泛化能力。其构建推动了时域天文学从定制化监督流程向通用基础模型范式的转型，为未来帕级规模巡天数据的高效分析奠定了基准框架。

当前挑战

该数据集致力于解决变星光变曲线分类、聚类及分布外检测任务中因观测间隙、多波段异质性和标记稀缺性导致的表征学习难题。构建过程面临双重挑战：一是需从海量兹威基瞬变设施数据中筛选高质量样本并匹配人工标注目录，克服类别自然不平衡与标记噪声问题；二是需设计跨域评估协议以验证时间序列基础模型对完全未知的天文数据分布的适应能力，其异构采样特性对模型时序建模机制提出了超越传统基准的苛刻要求。

常用场景

经典使用场景

在时域天文学领域，StarEmbed数据集作为首个标准化基准，专门用于评估时间序列基础模型在恒星光变曲线上的表征能力。该数据集整合了兹威基瞬变设施提供的约4万条多波段光变曲线，覆盖七类经过专家验证的变星类型，为无监督聚类、监督分类和分布外源检测三大核心任务提供了统一的评估框架。通过固定训练集、验证集和测试集的划分，研究者能够系统比较不同模型在具有不规则采样和异方差性等天文特有挑战的数据上的表现。

解决学术问题

StarEmbed有效解决了天文学中时间序列表征学习的标准化评估难题。传统方法依赖手工特征提取，虽在特定任务表现优异但存在计算成本高、泛化能力有限等局限。该数据集通过系统比较领域专用模型与通用基础模型，揭示了时间序列基础模型在完全未接触过的天文数据上仍能实现强大跨领域迁移。特别是在分布外检测任务中，Chronos系列模型显著超越传统方法，为处理未来巡天项目产生的海量时域数据提供了新范式。

衍生相关工作

基于StarEmbed基准，研究者开展了多项拓展性工作。在模型架构方面，Chronos系列模型通过将时间序列量化为词汇表并采用语言模型训练范式，展现了在跨领域任务中的卓越性能。领域专用模型Astromer的对比研究揭示了预训练数据与下游任务匹配性的重要性。这些工作共同推动了时间序列基础模型在天文领域的应用边界，催生了针对多变量、不规则采样时间序列的新一代表征学习方法，为时域天文学的可扩展分析奠定基础。