诊断光谱训练集缺陷对光度红移性能的影响
天体物理仪器与方法
2026-01-19 v1 宇宙学与河外天体物理
摘要
大多数 LSST 河外科学将依赖光度红移（photo-）来提取星系的距离信息。然而，不完整或不具代表性的训练集会给 photo- 估计引入偏差。有必要了解训练集缺陷的各种形式（如不完整性和非平凡的光谱目标选择）如何影响 photo- 估计算法，并确定最适合用来量化其影响的指标。本研究旨在系统地研究诊断指标，以评估各种 photo- 方法对特定类型训练集不完整性和非代表性的反应。我们使用开源 Python 库 Redshift Assessment Infrastructure Layers (RAIL) 提供的方法，在根据几项现有光谱巡天退化后的模拟训练数据上，以及在近似模拟高红移处观测到的不完整性模式的逆红移不完整性条件下，系统地测试了 CMNN、GPz、FlexZBoost 和 PZFlow 算法。我们采用 TrainZ 算法作为对照。最后，我们使用在 RAIL 外部实现的各种统计指标量化了 photo- 算法的性能。我们确定 Kullback-Leibler 散度、Wasserstein 距离和概率积分变换是评估训练集缺陷对算法性能影响的特别有信息量的指标。我们还发现，仅逆红移不完整性效应缺乏足够的复杂性，无法真实地表示预期的训练数据。
引用
@article{arxiv.2601.10797,
title = {Diagnosing the Effects of Spectroscopic Training Set Imperfection on Photometric Redshift Performance},
author = {Alice Crafford and Alex I. Malz and Tianqing Zhang and Rachel Mandelbaum and Olivia Lynn and Federico Berlfein and Johann Cohen-Tanugi and John Franklin Crenshaw and Qianjun Hang and Irene Moskowitz and Drew Oldag and Samuel J. Schmidt and Ziang Yan and the LSST Dark Energy Science Collaboration},
journal= {arXiv preprint arXiv:2601.10797},
year = {2026}
}
备注
22 pages, 11 figures, for submission to MNRAS