利用共形预测校准引力波搜索算法

在天文学中，我们经常面临一个决策问题：这些数据中是否包含信号？通常采用一种需要阈值的统计方法。在信号和噪声必须区分但其分布重叠的情况下，阈值的选择是一个常见的挑战。引力波天文学在不到十年的时间里从首次发现发展到拥有数百个事件的目录，提供了一个迷人的案例研究。对于来自致密天体并合的信号，该领域已从频率学派方法演变为贝叶斯方法。然而，选择阈值和验证目录中噪声污染的问题依然存在。由于统计概念的误用、探测统计量的复杂性以及天体物理背景模型的纳入，常常引起困惑和争论。我们引入了共形预测（Conformal Prediction, CP），这是一个在机器学习中开发的框架，旨在为点预测提供无分布的不确定性量化。我们表明，CP 可以被视为传统统计框架的扩展，其中阈值经过校准，使得不确定性区间在统计上是严格的，并且错误率可以得到验证。此外，我们讨论了 CP 如何提供一个框架来最优地构建元流水线，以结合多个独立搜索的输出。我们用一个玩具宇宙射线探测器介绍了 CP，它捕捉了大多数天体物理搜索问题的显著特征，并允许我们在简单的上下文中展示 CP 的特征。然后，我们将该方法应用于最近的引力波模拟数据挑战，使用多种搜索算法处理干涉引力波数据中的致密双星并合信号。最后，我们讨论了该方法在引力波天文学中的未来潜力。