基于梯度提升和宽带方法寻找狭义-α发射星系：超越窄带探测的策略

在本工作中，我们测试了是否可以从传统Lyman-$\alpha$发射(LAE)调查中获得的宽带光度数据上训练的梯度提升算法，高效且准确地识别来自相似红移和亮度水平的典型星形成星系的LAE候选对象。我们使用来自COSMOS2020和SC4K目录在$z \in [2,6]$范围内的星系样本训练梯度提升机器学习算法(LGBM、XGBoost和CatBoost)，使用光学和近红外宽带光度数据。为确保模型性能平衡，模型在选取的精心挑选数据集上进行训练，该数据集具有相似的红移和i-band亮度分布。此外，通过对光度数据施加相关观测不确定性，对模型进行鲁棒性测试。我们的分类模型实现了约$87\%$的F1分数，成功识别了约7000个在所有模型之间获得一致 agreement 的对象。这超过了SC4K数据集在COSMOS场中识别的LAE数量。我们使用COSMOS场中公开的目录对这些LAE候选对象进行了60个的光谱确认。这些结果凸显了机器学习在高效识别LAE候选对象方面的潜力。这为应用于更大规模的光度调查(如Euclid和LSST)提供了基础。通过补充传统方法并提供稳健的预选能力，我们的模型促进了这些对象的分析。这对于增加我们对整体LAE population 的了解至关重要。