弥合恒星标签鸿沟：一种用于 $\textit{Gaia}$ BP/RP 光谱的无监督生成模型
天体物理仪器与方法
2023-07-14 v1 星系天体物理
太阳与恒星天体物理
摘要
近期 DR3 中发布的 2.2 亿多条 BP/RP 光谱，为将深度学习模型应用于数量空前、极低分辨率的恒星光谱提供了机遇。BP/RP 数据集如此庞大，以至于此前没有任何光谱巡天能提供足够的恒星标签来覆盖 BP/RP 参数空间。我们提出了一种用于 BP/RP 光谱的无监督深度生成模型：一种 变分自编码器。我们设计了一种非传统的变分自编码器，能够同时建模 BP/RP 系数和 内禀散射。我们的模型从数据中学习一个潜空间，并直接由数据本身生成 BP/RP 光谱（散射），无需任何恒星标签。我们证明，在监督学习失效或无法实施的参数空间区域，我们的模型能准确再现 BP/RP 光谱。
引用
@article{arxiv.2307.06378,
title = {Closing the stellar labels gap: An unsupervised, generative model for $\textit{Gaia}$ BP/RP spectra},
author = {Alexander Laroche and Joshua S. Speagle},
journal= {arXiv preprint arXiv:2307.06378},
year = {2023}
}
备注
Accepted at the ICML 2023 Workshop on Machine Learning for Astrophysics. 6 pages, 3 figures