一种因果的、数据驱动的 Kepler 数据建模方法
地球与行星天体物理
2016-06-29 v2 天体物理仪器与方法
摘要
天文观测受到多种噪声的影响，每种噪声都有其自身的因果来源：光子噪声、随机源变率，以及源自探测器或望远镜不完全校准的残差。NASA Kepler 用于系外行星科学的测光精度——有史以来最精确的恒星测光测量——似乎受到航天器指向和温度中未知或未跟踪的变化以及未建模的恒星变率的限制。本文提出了针对 Kepler 数据的因果像素模型（CPM），这是一种数据驱动模型，旨在捕捉变率但保留凌星信号。CPM 在像素级别工作，因此能够捕捉关于航天器变化的非常细粒度的信息。CPM 从共享仪器变率但不包含目标星可能凌星信息的其他恒星的大量像素值中预测每个目标像素值。此外，我们使用目标星的未来和过去数据（自回归）。通过为每个数据点适当地将数据划分为训练集和测试集，我们确保任何凌星信息都将与模型完全隔离。该方法有四个超参数（预测星数量、自回归窗口大小，以及模型组件的两个 L2 正则化幅度），我们通过交叉验证来设定。我们确定了一组对大多数恒星都有效的通用超参数，并将该方法应用于相应的一组目标星。我们发现，就系外行星探测而言，我们能够持续优于 Kepler 预搜索数据调节（PDC）方法。
引用
@article{arxiv.1508.01853,
title = {A Causal, Data-Driven Approach to Modeling the Kepler Data},
author = {Dun Wang and David W. Hogg and Dan Foreman-Mackey and Bernhard Schölkopf},
journal= {arXiv preprint arXiv:1508.01853},
year = {2016}
}
备注
Accepted for publication in the PASP