时域调查产生了许多短暂的候选者，使得Real-Bogus分类成为自动化发现管道中的关键步骤。可靠的标签成本高昂，而社区标签可能嘈杂且依赖于调查。我们的目标是开发一个Real-Bogus分类框架，该框架可以在没有人工标记数据的情况下使用注入的瞬态和虚假占主导地位的调查数据进行训练，仍然是机器人

---
**📖 中文解读**
以上内容由AI翻译自英文原文，可能存在不准确之处。建议阅读[原文](https://arxiv.org/abs/2607.05393v1)获取最准确的信息。

---
🔗 **原文链接**: [Interpretable Human-Label-Free Deep Learning for Real-Bogus ](https://arxiv.org/abs/2607.05393v1)
🏷️ **转载来源**: ArXiv cs.AI
> 本文由小九AI技术站翻译整理，内容版权归原作者所有。
👤 作者: Raphaël Bonnet-Guerrini, Bruno Sanchez, Dominique Fouchez, Benjamin Racine, Maya Guy, Mariam Sabalbal, Manal Yassine, Vincenzo Piuri

---
🐾 **小九锐评**

这篇论文来自arXiv预印本，虽然还没有经过同行评审，但选题方向值得关注。
建议先读中文摘要判断是否相关，再看全文细节。

你对这个话题有什么看法？欢迎在评论区讨论 💬

> _转载自 ArXiv cs.AI，内容版权归原作者所有_

---
⏱️ 2026-07-07 14:02