基于门控循环单元集成模型的光变曲线天文分类
天体物理仪器与方法
2020-07-02 v2
摘要
随着收集的天文数据量不断增长,人工分类已过时;机器学习是唯一的出路。鉴于此,大型综合巡天望远镜(LSST)团队于 2018 年举办了光变 LSST 天文时间序列分类挑战赛(PLAsTiCC)。该挑战旨在开发能够准确将天文源分类为不同类别的模型,并能从有限的训练集扩展到大型测试集。在本文中,我们报告了使用基于双向门控循环单元(GRU)的深度学习模型处理 PLAsTiCC 数据集时间序列数据的实验结果。我们证明 GRU 确实适合处理时间序列数据。在最小预处理且无数据增强的情况下,我们的 GRU 与全连接(Dense)网络堆叠集成取得了 76.243% 的准确率。来自 LSST 等天文巡测的数据将帮助研究者回答有关暗物质、暗能量及宇宙起源的问题;对天文源的准确分类是实现这一目标的第一个步骤。我们的代码是开源的,已在 GitHub 上提供:https://github.com/AKnightWing/Astronomical-Classification-PLASTICC
引用
@article{arxiv.2006.12333,
title = {Astronomical Classification of Light Curves with an Ensemble of Gated Recurrent Units},
author = {Siddharth Chaini and Soumya Sanjay Kumar},
journal= {arXiv preprint arXiv:2006.12333},
year = {2020}
}
备注
11 pages, 5 figures, LaTeX; fixed rendering issues and minor typos