超越最终标签：在天文光度曲线分析中挖掘分类历史的潜在价值
天体物理仪器与方法
2026-04-28 v1 宇宙学与河外天体物理
应用统计
摘要
Vera C. Rubin 望远镜上的 Legacy Survey of Space and Time（LSST）将生成大量时序（光度曲线）数据，记录瞬变和可变天体的测量光度。每当新增一次光度观测，光度分类器都需要生成对候选类别的更新概率分布，然后将其共享给全球社区，以便识别有趣的目标以进行后续观测，以及进行较少敏感的分析应用。使用来自 Extended LSST Astronomical Time-series Classification Challenge（ELAsTiCC）的合成光度曲线和分类结果，我们调查了一种新型框架，通过纳入分类历史及其这些历史的时间演化来增强现有光度分类。为展示这一方法的潜力，我们引入了一个结合循环神经网络和加法注意力模块的模型，该模型在分类准确率和精确召回性能方面优于挑战中的现有分类器。此外，目前大多数甚至全部分类器都是根据完整光度曲线的最终分类结果进行评估的；我们提出了新的指标，通过考虑分类概率分布随时间演化的 Wasserstein 距离，来评估分类器在有限数据下的稳定性、准确性和早期分类性能。我们的指标通过补充混淆矩阵和精确召回等经典方法，为模型评估提供了更全面的视角。
引用
@article{arxiv.2604.23792,
title = {Beyond the Final Label: Exploiting the Untapped Potential of Classification Histories in Astronomical Light Curve Analysis},
author = {Zhuoyang Zhou and Alex I. Malz and Chad M. Schafer and Konstantin Malanchev and Guillermo Cabrera-Vives and Christopher Hernández},
journal= {arXiv preprint arXiv:2604.23792},
year = {2026}
}
备注
26 pages, 10 figures; prepared for submission to ApJ