基于经验训练集的贝叶斯测光红移

我们将χ²模板拟合和经验训练集（例如神经网络中使用的）的两种互补优势结合在一个框架中：当检查概率密度函数（PDF）的多峰时，χ²更可靠；而当查询数据和训练集的校准与先验匹配时，经验训练更准确。我们提出了一种χ²-经验方法，该方法从经验模型中导出PDF，作为核回归方法的一个子类，并将其应用于充满歧义的SDSS DR5样本（超过75,000个类星体）。具有单峰PDF的物体显示出<1%的异常值，均方根红移误差<0.05，且红移偏差可忽略。在z>2.5时，这些指标提高了2倍。异常值纯粹源于模型的离散性和有限大小，而均方根误差由物体颜色的内在多样性主导。被归类为歧义的PDF为替代解提供了准确的概率，从而为使用两种解并避免不必要的异常值提供了权重。例如，PDF预测78.0%的较强峰是正确的，而实际正确率为77.9%。红移不完整性在暗弱光谱巡天中很常见，并转化为其他性能限制之上的大量不可检测的异常值风险，但我们可以量化源于模型大小和完整性的残余异常值风险。我们为噪声数据提出了一种匹配的χ²误差尺度，并表明它能产生正确的误差估计和泊松误差内准确的红移分布。我们的方法可轻松应用于未来的大型星系巡天，这些巡天将受益于歧义检测和残余风险量化的可靠性。