超越mirkwood：用保形预测增强SED建模
天体物理仪器与方法
2024-02-13 v2 星系天体物理
机器学习
摘要
传统的谱能量分布（SED）拟合技术由于恒星形成历史和尘埃衰减曲线中的假设而面临不确定性。我们提出了一种基于先进机器学习的方法，增强了SED拟合中的灵活性和不确定性量化。与mirkwood中使用的固定NGBoost模型不同，我们的方法允许任何兼容sklearn的模型，包括确定性模型。我们结合保形分位数回归，将点预测转换为误差条，增强了可解释性和可靠性。使用CatBoost作为基础预测器，我们比较了有无保形预测的结果，通过覆盖率和区间宽度等指标展示了改进的性能。我们的方法为从观测数据推导星系物理性质提供了更通用、更精确的工具。
引用
@article{arxiv.2312.14212,
title = {Beyond mirkwood: Enhancing SED Modeling with Conformal Predictions},
author = {Sankalp Gilda},
journal= {arXiv preprint arXiv:2312.14212},
year = {2024}
}
备注
6 pages + 1 reference page. Accepted to the 3rd AI2ASE workshop at AAAI 2024 (Vancouver, BC, Canada)