deep-REMAP:基于正则化多任务学习的恒星光谱参数化方法

传统光谱分析方法正日益受到当代天文巡天所产生的爆炸式数据量的挑战。为此,我们开发了 deep-Regularized Ensemble-based Multi-task Learning with Asymmetric Loss for Probabilistic Inference($\rm{deep-REMAP}$),这是一个利用 PHOENIX 库丰富的合成光谱与 MARVELS 巡天的观测数据来精确预测恒星大气参数的新框架。通过运用包括多任务学习和创新非对称损失函数在内的先进机器学习技术,$\rm{deep-REMAP}$ 在从观测光谱确定有效温度、表面重力和金属丰度方面展现出优越的预测能力。我们的结果揭示了该框架在扩展到其他恒星库与属性方面的有效性,为恒星表征中更复杂和自动化的技术铺平了道路。