测光红移的估计。I. 基于神经网络对 Pan-STARRS1 星系的机器学习推断
天体物理仪器与方法
2021-12-09 v1 宇宙学与河外天体物理
星系天体物理
摘要
我们提出一种用于估计测光红移的新机器学习模型，对 Pan-STARRS1 数据发布 1 中的星系具有改进的准确性。根据红移的估计范围，这种基于神经网络的模型能够处理推断测光红移的困难。此外，为减少新模型处理估计困难能力所带来的偏差，它利用了集成学习的威力。我们广泛考察输入特征与目标红移空间之间的映射，模型有效适用的范围，以发现训练模型的优势与弱点。由于我们的训练模型经过良好校准，我们的模型对具有非灾难性估计的对象产生可靠的置信信息。虽然我们的模型对位于输入空间中、训练样本密集的大多数测试样本高度准确，其准确性对稀疏样本和训练中未观测对象（即未见样本）迅速下降。我们报告，我们模型的分布外 (OOD) 样本既包含物理上 OOD 的对象（即恒星和类星体），也包含具有训练数据未代表的观测属性的星系。我们的模型代码可在 https://github.com/GooLee0123/MBRNN 获取，供模型的其他用途及用不同数据重新训练模型。
引用
@article{arxiv.2110.05726,
title = {Estimation of Photometric Redshifts. I. Machine Learning Inference for Pan-STARRS1 Galaxies Using Neural Networks},
author = {Joongoo Lee and Min-Su Shin},
journal= {arXiv preprint arXiv:2110.05726},
year = {2021}
}
备注
26 pages, accepted to AJ