基于神经密度估计的星系光谱异常快速高效识别
天体物理仪器与方法
2023-08-03 v1 星系天体物理
摘要
当前大规模天体物理实验产生了前所未有的丰富且多样的数据。这导致对快速灵活的自动化数据检查方法的需求日益增长。深度学习算法能够捕捉并提取丰富数据集中的细微变化，且一旦训练完成便应用迅速。在此，我们研究了一种无监督概率深度学习框架——概率自编码器（Probabilistic Autoencoder, PAE）——在 SDSS 巡天星系光谱中探测特殊天体方面的适用性。与有监督算法不同，该算法并非训练用于检测特定特征或异常类型，而是从训练数据中学习星系光谱复杂且多样的分布，并针对所学分布识别离群点。我们发现，该算法一致地对表现出不寻常特征的光谱赋予较低概率（较高异常分数）。例如，宁静星系中的大多数离群点是 E+A 星系，其光谱结合了年老与年轻恒星星族的特征。其他被识别的离群点包括 LINER、超新星和重叠天体。条件建模进一步使我们能够纳入额外信息。具体而言，我们评估在给定某一光谱类别条件下天体为异常的概率，但诸如数据质量度量或估计红移等其他信息也可被纳入。我们的代码已在 https://github.com/VMBoehm/Spectra_PAE 公开。
引用
@article{arxiv.2308.00752,
title = {Fast and efficient identification of anomalous galaxy spectra with neural density estimation},
author = {Vanessa Böhm and Alex G. Kim and Stéphanie Juneau},
journal= {arXiv preprint arXiv:2308.00752},
year = {2023}
}
备注
16 pages, 14 figures, MNRAS revised manuscript after addressing the report from the referee. Our first paper is available at arXiv:2211.11783 . Our code is publicly available at https://github.com/VMBoehm/Spectra_PAE