利用变分自编码器对 SDSS 光谱进行降维
天体物理仪器与方法
2020-07-13 v2 星系天体物理
摘要
高分辨率星系光谱包含大量星系物理信息，但这些光谱的高维性使得难以充分利用其所含信息。我们将变分自编码器（VAEs）——一种非线性降维技术——应用于来自斯隆数字巡天（Sloan Digital Sky Survey）的一组光谱样本。与广泛使用的主成分分析（PCA）不同，VAEs 能够捕捉潜参数与数据之间的非线性关系。我们发现，仅用六个潜参数，VAE 就能很好地重建 SDSS 光谱，优于具有相同分量数的 PCA。不同的星系类别在此潜空间中自然分离，且未向 VAE 提供类别标签。VAE 潜空间是可解释的，因为 VAE 可用于在潜空间中任意点生成合成光谱。例如，沿潜空间中的轨迹生成合成光谱，可得到在两类不同星系之间插值的一系列真实光谱。利用潜空间寻找离群值可能得到有趣的光谱：在我们的小样本中，我们立即发现了不寻常的数据伪影以及被误分类为星系的恒星。在这项探索性工作中，我们表明 VAE 能创建紧凑、可解释的潜空间，捕捉数据的非线性特征。虽然 VAE 训练耗时较长（48000 条光谱约 1 天），但一旦训练完成，VAE 可实现大型天文数据集的快速探索。
引用
@article{arxiv.2002.10464,
title = {Dimensionality Reduction of SDSS Spectra with Variational Autoencoders},
author = {Stephen K. N. Portillo and John K. Parejko and Jorge R. Vergara and Andrew J. Connolly},
journal= {arXiv preprint arXiv:2002.10464},
year = {2020}
}
备注
22 pages, 17 figures, accepted to AJ; code available at https://github.com/stephenportillo/SDSS-VAE