Avocado：利用高斯过程增强进行天文暂现源测光分类
天体物理仪器与方法
2020-01-08 v2
摘要
即将开展的大型综合巡天望远镜（LSST）等天文巡天将依赖测光分类来识别其所发现的大多数暂现源与变源。我们提出一组测光分类技术，即便在经光谱确认物体的训练集严重偏向明亮、低红移物体时也可应用。利用高斯过程回归同时对所有波段中任意光变曲线建模，我们通过生成覆盖一系列红移与观测条件的原始光变曲线新版本来“增强”训练集。我们在从增强光变曲线提取的特征上训练一个提升决策树分类器，并展示此类分类器如何被设计成产生与训练样本中物体的红移分布无关的分类。我们的分类算法在测光 LSST 天文时变分类挑战（PLAsTiCC）盲测阶段的 1,094 个模型中表现最佳，在组织方对所有训练集物体类采用平坦权重的对数损失度量上得分 0.468，并在 Ia 型超新星分类上达到 0.957 的 AUC。我们的结果表明，用于训练测光分类器的光谱巡天应聚焦于对大量观测良好、中等红移暂现源进行分型，而非试图对直接代表所分类完整数据集的暂现源样本分型。本文描述的所有算法均在 avocado 软件包中实现。
引用
@article{arxiv.1907.04690,
title = {Avocado: Photometric Classification of Astronomical Transients with Gaussian Process Augmentation},
author = {Kyle Boone},
journal= {arXiv preprint arXiv:1907.04690},
year = {2020}
}
备注
24 pages, 9 figures