Die Gammaastronomie bietet einzigartige Einblicke in die energiereichsten Prozesse im Universum. Transiente Phänomene wie Blazar-Flares und Gammablitze sind von besonderem wissenschaftlichem Interesse. Deren Detektion und Analyse ist jedoch herausfordernd: Daten sind aufgrund instrumenteller Einschränkungen lückenhaft, enthalten erhebliche Messunsicherheiten und erfordern Multiwellenlängen-Korrelation für eine effektive Interpretation. Maschinelles Lernen hat die Datenanalyse revolutioniert. Dessen Anwendung in der Gammaastronomie bleibt aufgrund von Datenqualitätsproblemen kompliziert. Aktuelle Ansätze bieten wertvolle, aber oft instrumenten- oder phänomenspezifische Lösungen, die die Herausforderungen realer Datenqualität nicht ganzheitlich lösen. Das Fehlen standardisierter Evaluationsstandards behindert den Fortschritt. Diese Arbeit entwickelt eine Methodik für zuverlässiges maschinelles Lernen in der Gammaastronomie, die Datenqualität explizit adressiert. Unser Ziel ist es, trotz unregelmäßiger Abtastung und Messunsicherheit Anomalien zuverlässig zu erkennen, Pipeline-Plausibilität zu validieren und Evaluationsstandards zu etablieren. Unsere Lösung integriert drei Frameworks: (1) eine Deep-Learning-Pipeline zur Erkennung transienter Phänomene in Multiwellenlängen-Daten, die Lückenhaftigkeit und Unsicherheit handhabt; (2) ein statistisches Validierungsframework zur Plausibilitätsprüfung von Pipelines unter Berücksichtigung von Datenqualitätsproblemen; und (3) einen Benchmark, der Modellleistung unter variablen Datenqualitätsbedingungen bewertet. Wir zeigen, dass unsere Pipeline Blazar-Flares zuverlässig erkennt, teils früher als herkömmliche Analysetechniken. Das Validierungsframework erkennt unplausible Ergebnisse unter Berücksichtigung von Datenlücken und Messunsicherheiten, wodurch Fehlalarme naiver Ansätze entfallen. Unser Benchmark zeigt kritische Leistungsunterschiede zwischen Datenanalysemethoden.
Stolte Hermann (Fri,) studied this question.