一种用于类星体连续谱预测的无监督学习方法
宇宙学与河外天体物理
2022-07-07 v1
摘要
类星体光谱建模是天体物理学中的一项基本任务，因为类星体是宇宙演化的显著标志。我们提出了一种新颖的无监督学习算法——类星体因子分析（Quasar Factor Analysis, QFA），用于从含噪类星体光谱中恢复本征类星体连续谱。QFA 假设 Ly 森林可近似为高斯过程，且连续谱可很好地描述为潜因子模型。我们表明，QFA 能够通过无监督学习并直接从类星体光谱中同时学习类星体连续谱与 Ly 森林。与先前方法相比，QFA 在类星体连续谱预测上稳健地达到了最先进（state-of-the-art）性能，且无需预定义的训练连续谱。此外，QFA 的生成式与概率性本质为理解黑洞演化以及执行分布外检测和其它贝叶斯下游推断铺平了道路。
引用
@article{arxiv.2207.02788,
title = {An Unsupervised Learning Approach for Quasar Continuum Prediction},
author = {Zechang Sun and Yuan-Sen Ting and Zheng Cai},
journal= {arXiv preprint arXiv:2207.02788},
year = {2022}
}
备注
6 pages, 3 figures, accepted to the ICML 2022 Machine Learning for Astrophysics workshop