基于无监督机器学习的方法用于识别谱能分布异常值：应用于 S-PLUS DR4 数据
太阳与恒星天体物理
2025-04-28 v1 星系天体物理
天体物理仪器与方法
摘要
使用光度数据对特定恒星种群进行鉴定是确认并更好理解其本质的第一步。在此背景下，我们提出了一种无监督机器学习方法，用于从南方光度局部宇宙调查（S-PLUS）数据中识别 spectroscopic follow-up 的候选对象。首先，我们采用基于自编码器模型的异常检测技术，从约19,000个光谱能分布（SED）在训练于良好行为恒星样本后未被模型良好重构的对象中进行筛选。随后，我们应用 t 分布随机邻域嵌入（t-SNE）算法对来自 S-PLUS 的66项颜色测量值进行分析，结合来自 SIMBAD 数据库的信息，以识别恒星种群。我们的分析揭示了69个富碳星候选对象，根据其空间和运动特征，这些对象可能属于CH类或碳增强金属贫弱（CEMP）类别。在这些化学奇特的候选对象中，我们识别出四个可能是碳矿星星。我们展示了可识别三种主要白矮星（WD）Population：具有氢主导大气的WD（DA）、具有中性氦主导大气的WD（DB）以及白矮星主序星系（WD + MS）。此外，利用 eROSITA X射线数据，我们还突显了对非常活跃低质量星星的候选对象识别。最后，我们使用自编码器模型识别了大量双星系统，但未观察到过密区域在 t-SNE 图中的轨道属性之间存在明确的关联。
引用
@article{arxiv.2504.18491,
title = {An Unsupervised Machine Learning Approach to Identify Spectral Energy Distribution Outliers: Application to the S-PLUS DR4 data},
author = {F. Quispe-Huaynasi and F. Roig and N. Holanda and V. Loaiza-Tacuri and Romualdo Eleutério and C. B. Pereira and S. Daflon and V. M. Placco and R. Lopes de Oliveira and F. Sestito and P. K. Humire and M. Borges Fernandes and A. Kanaan and T. Ribeiro and W. Schoenell},
journal= {arXiv preprint arXiv:2504.18491},
year = {2025}
}
备注
19 pages, 12 figures, 2 tables