一种用于河外瞬变源主动异常探测的深度学习方法
高能天体物理现象
2021-08-18 v1 机器学习
摘要
鉴于通过宽视场光学巡天（如即将建成的 Vera C. Rubin 天文台）发现的瞬变与变源天体物理事件数量，多波段与光谱后随观测能力存在不足。在潜在科学目标的茫茫草堆中，天文学家必须实时分配稀缺资源以研究挑选出的少数针尖。本文提出一种变分循环自编码器神经网络，利用 PLAsTiCC 数据集的 1% 训练该自编码器，对模拟的 Rubin 天文台河外瞬变事件进行编码。我们的无监督方法独特地适用于无标签、实时、多变量与非周期数据。我们基于孤立森林估计的异常分数对 1,129,184 个事件进行排序。我们发现该流水线成功地将更稀有的瞬变类别排为更异常。通过在异常分数与不确定性上做简单截断，我们识别出一组纯净（约 95% 纯）的稀有瞬变样本（即除 Ia 型、II 型与 Ibc 型超新星外的瞬变），包括超亮超新星与对不稳定性超新星。最后，我们的算法能够在峰值前很早将这些瞬变识别为异常，从而在 Rubin 天文台时代实现实时后随研究。
引用
@article{arxiv.2103.12102,
title = {A Deep Learning Approach for Active Anomaly Detection of Extragalactic Transients},
author = {V. Ashley Villar and Miles Cranmer and Edo Berger and Gabriella Contardo and Shirley Ho and Griffin Hosseinzadeh and Joshua Yao-Yu Lin},
journal= {arXiv preprint arXiv:2103.12102},
year = {2021}
}
备注
13 pages,9 figures, submitted to AAS Journals. Comments welcome!