应用于 SDSS 星系的机器学习红移异常检测
宇宙学与河外天体物理
2016-06-16 v2
摘要
我们提出了一项针对机器学习红移估计的异常检测分析。异常检测能够移除可能对红移估计产生不利影响的劣质训练样本。异常训练样本可能是具有错误光谱红移的光度星系，或是拥有一个或多个测量不佳的光度量的星系。我们选取了 250 万个具有可靠光谱红移的“干净”SDSS DR12 星系，以及 6730 个光谱红移测量被标记为不可靠的“异常”星系。我们将具有不可靠红移的星系混入干净的基础星系样本中，并尝试使用椭圆包络（Elliptical Envelope）技术回收这些混入的星系。随后，我们在受污染样本和经过预处理去除异常的样本上训练了四种用于红移分析的机器学习架构，并在一个未经任何预处理生成的干净验证样本上测量红移统计量。我们发现，与在受污染样本上训练相比，在去除异常样本上训练时，所探索的每种机器学习例程的所有测量统计量均提升了高达 80%。我们还描述了一种估算基础数据样本污染分数的方法。
引用
@article{arxiv.1503.08214,
title = {Anomaly detection for machine learning redshifts applied to SDSS galaxies},
author = {Ben Hoyle and Markus Michael Rau and Kerstin Paech and Christopher Bonnett and Stella Seitz and Jochen Weller},
journal= {arXiv preprint arXiv:1503.08214},
year = {2016}
}
备注
13 pages, 8 figures, 1 table, minor text updates to macth MNRAS accepted version