2019 年论文图 2 从探测以后开始
沿 Patterson 等人的图 2 与第 IV 节，看图像差分探测怎样装成结构化警报包，再经过分发、过滤。表 1 保存亮度、位置、以前候选和图像切片。警报描述一个候选，还没有完成对物理成因的判断。
第 V 节区分从视场拍摄开始的时间，以及从候选打包开始的时间。论文里 2019 年的分发步骤，远短于从曝光到警报的整段流程。引用每个延迟时，都把起止事件放在旁边；这些性能数值对应论文当时测过的历史系统。
相机演示单独拆出更简单的一段：等曝光撞上源、等曝光结束，再加处理延迟。它没有图像差分和网络队列，用来把计时计算接到论文的流程上。
对应阅读：Patterson et al., ZTF Alert Distribution System, arXiv v1 · VanderPlas, Understanding the Lomb–Scargle Periodogram, arXiv v1
触发阈值先改变谁能进入数据流
事件得先留下足够可用信息，分类器才有机会看它。节奏、深度、天气和触发要求都影响这一步。闪光完全落在曝光之间，数据流就缺这份探测，分类器还轮不到它。
研究巡天种群时，先数注入事件里谁进入了数据流、谁没进入，再对进入的样本研究分类。估计目录代表多少真实事件，需要把两层选择放在一起。周期教程也作类似区分：探测到信号和认准频率，分开统计。
以前的非探测与上限，还能帮助判断源何时变亮。灵敏度随观测条件变化，没有探测到时，不应直接填成零流量。
对应阅读：Patterson et al., ZTF Alert Distribution System, arXiv v1 · Astropy 8.0.2 Lomb–Scargle documentation · Fraga et al., Transient classifiers for Fink, arXiv v2
Fink 基准第 4 节分开精确率与召回率
Fraga 等人的 arXiv:2404.08798v2 在 ELAsTiCC 模拟挑战上比较分类器。看第 4 节指标和第 6 节表现图之前，先读第 2 节数据。模拟种群、标签和可用时刻，定义了这场测试。
精确率问选出的某类里有多少选对，召回率问真实属于这一类的对象有多少被选出。类别很稀有时，即使其他类别的假阳性率看着很小，选中列表里也可能混进很多对象。只看准确率，则可能鼓励模型几乎全报常见类。
分数 0.8 还需要可靠性校准：条件相近、分数接近这个值的对象，实际有多少标签正确？精确率—召回率曲线比较阈值，却不自动完成这种分数校准。把输出当成天空上的概率以前，还应按亮度、拍摄次数和条件检查。
对应阅读：Fraga et al., Transient classifiers for Fink, arXiv v2 · Möller et al., real-time active-learning follow-up, arXiv v1
2025 年论文图 1 挑的是有学习价值的目标
接着沿 Möller 等人的图 1 与 4.1–4.5 节读。实际 2023–2024 年计划先筛选 ZTF/Fink 候选，请求光谱后随，把成功标签加入训练，再更新模型。比较选中对象与全体警报之前，先看进入资格。
4.2 节偏爱二元分数接近一半的候选。这种主动学习特意跟踪不确定案例，用来改善训练集。4.3 节还要考虑可观测性、星等和望远镜档期。
4.4–4.5 节说明，提出光谱请求，与拿到可用标签，是两件事。天气、曝光质量和后续处理，都可能拖慢或阻止标签获得。训练循环采用什么时间约定，和消息分发有多快一样重要。
对应阅读：Möller et al., real-time active-learning follow-up, arXiv v1 · Patterson et al., ZTF Alert Distribution System, arXiv v1
读资源比较时，带上它的筛选条件
第 5 节把主动学习计划与其他后随策略公布的标签比较。要问各策略面前是否有相同的亮度和资格分布，某一步哪些标签已经进入训练，以及测试集怎样定义。早期 Ia 型分类的改进，对应这项任务和这份样本。
选择还会反过来影响以后知道什么。总跟最容易的亮候选，会在熟悉区域积累很多标签；选择不确定对象，可以填空，也可能遇到罕见对象或分类范围外的案例。这些结果都值得单独记录。
真实后随循环是已经做过的观测；第 6 节更早自动筛选和部署的讨论，包含改进提案。先读实测循环，再读自动化提案，就能沿时间顺序看清两者的进度。
对应阅读：Möller et al., real-time active-learning follow-up, arXiv v1 · Fraga et al., Transient classifiers for Fink, arXiv v2
读下一篇巡天论文时接着问
先认触发前种群与触发后种群，再标出曝光、候选、警报、分类和后随的时间戳。看分类器有哪些标签、测试分布是什么，以及它有没有适用于所选对象的可靠性校准。
最后再问，哪种动作会改变科学结果：换个相位补一张曝光、更快传来消息，还是用一条光谱分开类别？它们消耗不同资源。快流程能留住机会，观测窗口和有用的后随测量，则决定从机会里能学到什么。
对应阅读：Patterson et al., ZTF Alert Distribution System, arXiv v1 · Fraga et al., Transient classifiers for Fink, arXiv v2 · Möller et al., real-time active-learning follow-up, arXiv v1