漂移特征：VVV 中 RRLs 自动识别背景下的检测与评估
天体物理仪器与方法
2021-09-01 v3 星系天体物理
机器学习
摘要
由于大多数现代天文巡天产生数据的速度快于人类分析速度，机器学习（ML）已成为天文学中的核心工具。现代 ML 方法可表征为对某些实验误差高度鲁棒。然而，长距离或长时间下数据中难以被统计方法轻易发现的小变化，可能对这些方法有害。我们开发了一种应对该问题的新策略，亦以创新方式使用 ML 方法，以识别这些潜在有害特征。我们引入并讨论漂移特征（Drifting Features）的概念，其关联于数据特征中所度量的性质的小变化。我们基于早前工作使用 VVV 中 RRLs 的识别，并引入一种检测漂移特征的方法。我们的方法迫使分类器学习不同源（多为恒星“点源”）的瓦片（tile）来源，并筛选与寻找漂移特征候选相关的特征。我们展示该方法能有效识别一个精简特征集，其包含关于源瓦片来源的有用信息。对于我们检测 VVV 中 RRLs 的具体例子，我们发现漂移特征主要关联于颜色指数。另一方面，我们表明即便问题中存在明确的漂移特征集，它们对 RRLs 的识别基本不敏感。漂移特征可用 ML 方法有效识别。但在我们的例子中，移除漂移特征并不能改善 RRLs 的识别。
引用
@article{arxiv.2105.01714,
title = {Drifting Features: Detection and evaluation in the context of automatic RRLs identification in VVV},
author = {J. B. Cabral and M. Lares and S. Gurovich and D. Minniti and P. M. Granitto},
journal= {arXiv preprint arXiv:2105.01714},
year = {2021}
}