Fink：基于主动学习的早期 Ia 型超新星分类
天体物理仪器与方法
2022-07-06 v2 宇宙学与河外天体物理
机器学习
摘要
我们描述了 Fink broker 的早期 Ia 型超新星分类器如何通过采用主动学习（AL）策略来优化其机器学习（ML）分类。我们展示了在当前的 Zwicky Transient Facility（ZTF）公共告警数据流中实施此类策略的可行性。我们比较了两种 AL 策略的性能：不确定性采样与随机采样。我们的流水线包含三个阶段：特征提取、分类与学习策略。从包含 10 个告警（5 个 SN Ia 与 5 个非 Ia）的初始样本出发，我们让算法识别应将哪个告警加入训练样本。系统被允许经历 300 次迭代。我们的数据集包含来自 ZTF 的 23 840 个告警，其分类已通过与 SIMBAD 数据库及瞬变源命名服务（TNS）交叉匹配确认，其中 1 600 个为 SNe Ia（1 021 个独特天体）。学习周期完成后的数据配置包含 310 个告警用于训练，23 530 个用于测试。在 100 次实现上平均，分类器达到了 89% 的纯度和 54% 的效率。从 2020 年 11 月 1 日至 2021 年 10 月 31 日，Fink 将其早期 Ia 型超新星模块应用于 ZTF 流，并向 TNS 通报了有前景的 SN Ia 候选体。在 535 个经光谱分类的 Fink 候选体中，459 个（86%）被证实为 SNe Ia。我们的结果确认了主动学习策略对于指导构建天文分类器最优训练样本的有效性。它在真实数据中证明，学习算法的性能可在无需额外计算资源或海量训练样本的情况下得到大幅提升。据我们所知，这是 AL 在真实告警数据上的首次应用。
引用
@article{arxiv.2111.11438,
title = {Fink: early supernovae Ia classification using active learning},
author = {Marco Leoni and Emille E. O. Ishida and Julien Peloton and Anais Möller},
journal= {arXiv preprint arXiv:2111.11438},
year = {2022}
}
备注
accepted for publication in Astronomy and Astrophysics