用显著图解释星系形态学的深度学习
天体物理仪器与方法
2022-02-23 v2 星系天体物理
摘要
我们成功展示了在天文数据集上可解释人工智能(XAI)技术在测量星系棒长度方面的应用。该方法包括基于Galaxy Zoo的人分类数据训练卷积神经网络以预测一般星系形态，随后使用SmoothGrad(一种显著图技术)提取星系棒以供定制算法测量。我们将其与另一种使用卷积神经网络直接预测星系棒长度的方法对比。这些方法相对于人类测量的相关系数分别为0.76和0.59，均方根误差分别为1.69和2.10。我们得出结论：在此情形下XAI方法优于常规深度学习，这可合理解释为训练模型时可用数据集更大。我们建议我们的XAI方法可用于提取其他星系特征(如核球-盘比)，而无需收集新数据集或训练新模型。我们还建议这些技术可用于精炼深度学习模型以及识别并消除训练数据集中的偏差。
引用
@article{arxiv.2110.08288,
title = {Explaining deep learning of galaxy morphology with saliency mapping},
author = {Prabh Bhambra and Benjamin Joachimi and Ofer Lahav},
journal= {arXiv preprint arXiv:2110.08288},
year = {2022}
}
备注
11 pages, 5 figures, 2 tables, 2 appendices. Accepted for publication by Monthly Notices of the Royal Astronomical Society