用灵敏度探针探索用于引力透镜搜寻的深度神经网络的可解释性
天体物理仪器与方法
2021-12-07 v1
摘要
人工神经网络在天文学中的应用日益增多，但理解这些模型的局限性可能很困难。我们利用一种统计方法——灵敏度探针，旨在补充既有的神经网络行为解释方法，通过量化模型性能对输入各种属性的敏感性。我们将该方法应用于在暗能量巡天中分类星系-星系强引力透镜图像的神经网络。我们发现网络对颜色、训练中使用的模拟 PSF 以及被透镜化源的光遮挡高度敏感，但对爱因斯坦半径不敏感，且性能随源和透镜星等平滑下降。由此我们识别出用于约束网络的训练集中的弱点，特别是对 PSF 的过度敏感，并将透镜搜寻器的选择函数约束为星系测光星等的函数，其中当透镜源的 g 波段星等大于 21.5 且透镜的 r 波段星等小于 19 时准确率显著下降。
引用
@article{arxiv.2112.02479,
title = {Exploring the interpretability of deep neural networks used for gravitational lens finding with a sensitivity probe},
author = {C. Jacobs and K. Glazebrook and A. K. Qin and T. Collett},
journal= {arXiv preprint arXiv:2112.02479},
year = {2021}
}
备注
19 pages, 12 figures. Accepted for publication in Astronomy and Computing