$\gamma$ 射线天文学中影响机器学习分类的因素研究

我们研究了若干因素，这些因素对利用机器学习技术对 Fermi 大面积望远镜（LAT）探测到的 $\gamma$ 射线源进行分类的性能有显著影响。我们展示，自动特征选择框架可构建仅含少量特征的简单模型，其性能优于先前结果。其次，由于 $\gamma$ 射线中某些类别的训练/测试集样本量较小，建议采用嵌套重采样与交叉验证来量化所引准确率的统计涨落。我们还通过交叉匹配 Fermi LAT 八年点源星表（4FGL）中已证认的活动星系核（AGNs）和脉冲星（PSRs）与先前第 3 批 Fermi LAT 源星表（3FGL）中的未证认源，构建了一个测试集。利用该交叉匹配集，我们展示，用于以已证认源构建分类模型的某些特征会遭受协变量偏移问题，这可能是多种观测效应所致。这可能在将该模型应用于未证认源分类时妨碍实际性能。利用我们的框架，AGN/PSR 与年轻脉冲星（YNG）/毫秒脉冲星（MSP）分类器均随 4FGL 星表中新特征与扩充训练样本自动更新。利用含这些更新分类器的两层模型，我们从 4FGL 星表的未证认源中筛选出 20 个置信度评分 $>98\%$ 的有望 MSP 候选体，可为多波段证认活动提供输入。