超越天文学的因果发现：利用独立成分分析学习有意义的表示
星系天体物理
2024-10-22 v1
摘要
我们展示了将因果表示学习应用于天文学的第一步。在先前首次将因果发现引入该领域的工作基础上，我们通过识别超大质量黑洞（SMBH）质量与其宿主星系属性之间的因果方向，解决了一个长期存在的难题。这利用了基于分数的因果发现方法和精确后验计算。通过独立成分分析（ICA），SMBH与其宿主星系之间的因果关系得到了进一步阐明。我们关注的天体物理学问题是该领域最重要且数十年来未得到明确解决的开放问题之一。我们考虑了按形态细分的六个星系物理属性空间：椭圆星系、透镜星系和旋涡星系，加上SMBH质量。我们基于平坦先验和贝叶斯高斯等价分数，计算了这些变量的有向无环图空间上的精确后验。发现星系属性与SMBH质量之间的因果关系随形态平滑变化：在椭圆星系中，星系属性决定SMBH质量；而在旋涡星系中则相反。这解决了一个长期存在的争论，并与我们对星系演化的理论理解相符。ICA揭示了从椭圆星系、透镜星系到旋涡星系，有意义的独立成分（IC）数量递减。此外，我们发现旋涡星系中只有一个IC与SMBH质量相关，而椭圆星系中有多个IC与之相关，这进一步证实了我们的发现：在旋涡星系中，SMBH质量导致星系属性，而在椭圆星系中则相反。
引用
@article{arxiv.2410.14775,
title = {Beyond Causal Discovery for Astronomy: Learning Meaningful Representations with Independent Component Analysis},
author = {Zehao Jin and Mario Pasquato and Benjamin L. Davis and Andrea V. Macciò and Yashar Hezaveh},
journal= {arXiv preprint arXiv:2410.14775},
year = {2024}
}
备注
Accepted by NeurIPS 2024 Causal Representation Learning Workshop. arXiv admin note: substantial text overlap with arXiv:2410.00965