类星体周期信号检验换掉DRW零假设：Nullasar从光变曲线直接学噪声，AR(2)下AUC达0.9648
核心概要
类星体光变常被当作阻尼随机游走（DRW）来检验周期信号是否显著，但噪声模型选错会让显著性估计系统性偏移。Nullasar用流匹配从整批合成光变曲线中学习随机变异的统计结构，不预设噪声模型，再以单条观测曲线为条件生成零假设样本。在合成AR(2)光变上，它的周期检测AUC为0.9648（三次独立训练平均），高于逐条拟合AR(2)的0.9180；在AR(1)情形下与拟合正确DRW模型相当。
深度剖析
类星体周期搜索的显著性判断依赖一个零假设，即假定没有周期信号时单黑洞类星体的随机光变服从什么分布；Nullasar把这一环从固定参数模型换成从数据学到的生成模型。 此前这类检验普遍以阻尼随机游走（DRW，一种带特征阻尼时标的随机过程）作为零假设，而DRW已知并不完整，零假设设定错误会带来系统性偏差。 在8000条真实过程为AR(2)的合成光变上，用AR(1)拟合后残差的lag-1自相关均值绝对值很小，单条曲线看似拟合良好，但按频率计算的p值相对差异在中间频段可达约一个量级，在最低和最高频段接近无穷。
Nullasar不被告知噪声的参数形式，而是从一批光变曲线中学会整群的统计结构，再以一条观测曲线为条件生成新的零假设实现。 做法是用连续归一化流（由常微分方程定义的生成模型）配合流匹配训练，在频域上直接搬运傅里叶系数，并用一个编码器把观测曲线压成128维条件向量。 在AR(1)合成数据上，Nullasar的检测AUC为0.9273，逐条拟合正确AR(1)的参照为0.9042；在AR(2)数据上，Nullasar三次训练平均AUC为0.9648，逐条拟合AR(2)为0.9180，显式结合系数群体分布的AR(2)系数流为0.9526。
训练集里混入周期信号会明显削弱Nullasar的检测能力，而在推理阶段把条件向量投影到前几个主成分上，可以在不重新训练的情况下大部分恢复性能。 干净训练集上AUC为0.9904，训练集中仅0.5%的曲线含注入正弦信号时AUC降到0.5735，更高污染比例下AUC维持在0.5附近且不单调下降。 对已训练的受污染模型做低秩投影后，AUC从接近随机猜测回升到0.92–0.96，含周期信号曲线的p值重新集中在0附近，干净模型的性能不变。
启示与展望
全部实验都基于合成光变曲线，时间均匀采样、序列长度固定为256个采样点，且只使用单一波段；这些是受控的变异基准，而非对某一真实类星体巡天的物理定标。作者提出可把时间戳信息纳入条件或架构以处理非均匀采样，并把模型扩展到更长或可变长度序列列为未来工作。
模型对训练集污染高度敏感，0.5%的注入周期信号就足以让AUC接近随机；低秩投影的有效性依赖污染在编码空间中低秩、且结构变化远小于噪声模型这一假设。保留多少个主成分需要另行标定，作者建议用注入已知信号训练的单独模型来选取。此外，模型只在与本文检验过的统计性质上表现出一致，其他性质的一致程度仍待考察。