钱德拉 X 射线源的可解释机器学习分类：多波长特征的 SHAP 分析

广泛的天文巡天，例如由钱德拉 X 射线天文台进行的观测，探测到数十万个未识别的宇宙源。机器学习 (ML) 方法提供了一种高效的、概率性的分类途径，有助于开展新发现和进行更深入的研究。在早期工作中，我们应用 LightGBM (ML 模型) 将 277,069 个钱德拉点源分为八类：活动星系核 (AGN)、X 射线发射星、原恒星 (YSO)、大质量 X 射线双星、小质量 X 射线双星、极超亮 X 射线源、激变变星和脉冲星。在本研究中，我们给出了 54,770 个稳健分类源（置信度超过 $3\sigma$）的分类表，其中包括 14,066 个显著性大于 $4\sigma$ 的源。为确保分类的可靠性并获得更深入的见解，我们研究了 LightGBM 模型学习到的多波长特征关系，重点关注 AGN、恒星和 YSO。我们采用可解释人工智能 (XAI) 技术，特别是 SHapley Additive exPlanations (SHAP)，来量化各个特征及其交互作用对预测分类概率的贡献。除其他发现外，我们确定了用于区分 AGN/恒星的红外-光学与 X 射线决策边界，以及用于 YSO 的红外-X 射线决策边界。这些结果对于在多波长数据有限的情况下估计天体类别至关重要。本研究是 XAI 在大规模天文数据集上最早的应用之一，展示了 ML 模型在分类之外揭示数据中物理有意义模式的潜力。最后，我们公开可用、详尽且交互式的目录将有助于未来更详细地探索特征及其组合的贡献。