星系光谱网络 (GaSNet). III. 用于光谱重建、红移估计和异常检测的生成式预训练网络
数论
2024-12-31 v1
摘要
光谱分类(1) 和异常检测(2) 是保证现代全天文光谱调查中红移测量最高准确率的基本步骤(3)。我们引入了新的星系光谱神经网络(GaSNet-III)模型，利用生成神经网络同时高效完成这三项任务。我们使用两种不同的生成网络：一种类似自编码器的网络和 U-Net，用于在红移后重建 rest-frame 光谱。类似经典主成分分析(PCA)的自编码器网络学习模板(特征光谱)，并返回建模参数。相比之下，U-Net 作为端到端模型，在降噪方面具有优势。通过重建光谱，我们可以在同一框架内实现分类、红移估计和异常检测。每个 rest-frame 重建光谱都被扩展到紫外线以及红外的一小部分(覆盖星体的红移范围)。凭借深度学习的高计算效率，我们扫描整个类型和红移空间的卡方值，找到最佳匹配点。我们的结果表明，生成网络在光谱建模中可实现相当于经典 PCA 方法的准确率，并且更高效，尤其在所有类别中实现 >98% 的分类准确率(对星体 >99.9%)，在 cosmology 研究要求下实现 >99%(星体)、>98%(星系)和 >93%(类星体) 的红移准确率。通过比较卡方曲线的不同峰值，我们定义“鲁棒性”于扫描空间中，提供一种识别潜在“异常”光谱的方法。我们的做法为处理未来光谱天空调查的庞大数据卷提供了一个准确且高效的光谱建模工具。
引用
@article{arxiv.2412.21129,
title = {Exponential Sums with Additive Coefficients and its Consequences to Weighted Partitions},
author = {Madhuparna Das},
journal= {arXiv preprint arXiv:2412.21129},
year = {2024}
}