机器学习是否有效？暗能量探测器中强引力透镜搜索的比较分析
星系天体物理
2025-10-29 v1
摘要
我们系统比较了三种独立的机器学习(ML)方法在暗能量探测器(DES)中用于强引力透镜搜索的效果(Jacobs 等 2019a,b; Rojas 等 2022; Gonzalez 等 2025)。每种方法采用不同的ML架构和训练策略，从而评估其相对性能、完整性和互补性。通过对1651个已报告为透镜候选系统的视觉检查样本进行评分，我们衡量每个模型得分这些系统与专家分类的一致性。三个模型表现逐步提高，Jacobs、Rojas 和 Gonzalez 的F1得分分别为0.31、0.35和0.54。其对中等至高置信度透镜候选者的完整性也呈现类似趋势(分别为31%、52%和70%)。当组合使用时，这些模型可恢复82%的所有此类系统，凸显了它们的强大互补性。此外，我们还探索了集成策略：平均、中位数、线性回归、决策树、随机森林和独立贝叶斯方法。我们发现，除平均方法外，所有集成方法都比最佳单一模型获得更高的最高F1得分，其中一些集成方法可将精度提高最高达六倍。这些结果表明，结合多个多样化的ML分类器可显著提高透镜样本的完整性，同时大幅减少误报，为优化宽场调查中基于机器学习的强透镜搜索提供了实际指导。
引用
@article{arxiv.2510.23782,
title = {Does Machine Learning Work? A Comparative Analysis of Strong Gravitational Lens Searches in the Dark Energy Survey},
author = {J. Gonzalez and T. Collett and K. Rojas and K. Bechtol and J. A. Acevedo Barroso and A. Melo and A. More and D. Sluse and C. Tortora and P. Holloway and N. E. P. Lines and A. Verma},
journal= {arXiv preprint arXiv:2510.23782},
year = {2025}
}
备注
20 pages, 13 figures, 2 tables