基于多种机器学习算法一致投票的 Fermi 4LAC 中未知类型耀变体候选体分类

Fermi 第四版活动星系核(AGNs)数据发布 3(4LAC-DR3)包含 3407 个 AGN,其中 755 个为平谱射电类星体(FSRQs),1379 个为 BL Lac 天体(BL Lacs),1208 个为未知类型耀变体(BCUs),而 65 个为非 AGN。由于缺乏足够的光学光谱信息,许多未关联的耀变体的准确分类仍然是一项挑战。这项工作的目的是使用高精度、优化的机器学习(ML)算法将 BCU 分类为 BL Lacs 和 FSRQs。为此,我们选取了 4LAC-DR3 洁净样本(即无分析标志的源),包含 1115 个 BCU。我们采用了五种不同的监督式 ML 算法,即随机森林、逻辑回归、XGBoost、CatBoost 和神经网络,使用七个特征:光子指数、同步辐射峰值频率、Pivot Energy、Pivot_Energy 处的光子指数、分数变异性、同步辐射峰值频率处的 $\nu F\nu$ 以及变异性指数。综合所有模型的结果可带来更好的准确性和更稳健的预测。这五种方法共同将 610 个 BCU 分类为 BL Lacs,333 个 BCU 分类为 FSRQs,其分类度量曲线下面积 $>$ 0.96。我们的结果也与近期研究高度一致。本研究的输出提供了更大的耀变体样本,其中包含许多可用于 forthcoming 多波段巡天的新目标。这项工作可通过添加 X 射线、UV、可见光和射电波段的特征进一步扩展。