避开区的星系：使用机器学习工具的误分类

对大型调查中外银河天体的自动分类方法相较于手动方法在效率和一致性方面具有显著优势。然而，银河盘的存在提出了额外的担忧。这类区域因星际吸收、星体拥挤以及数据集和研究的有限性而为人所知。在本研究中，我们探索了在避开区（ZoA）中识别和分类星系的方法。具体而言，我们将结果与 X射线数据进行比较。我们分析了使用已发布的机器学习（ML）算法将星系分类为银河盘中天体的外观，并与 VVV NIRGC 目录中经视觉确认的星系进行比较。我们的分析包括对整个银河盘中使用 ML 技术 catalog 为星系的所有来源进行视觉检查，这揭示了显著差异。只有四颗星系同时存在于 NIR 和 X射线数据集中。位于 ZoA 的多个特定兴趣区域在 X射线数据中表现出很高的星系概率，但紧随其后的银河天体相似。我们的结果表明，在 ZoA 中使用 ML 方法进行星系分类具有困难，这主要是由于在训练集中对银河平面后方星系信息稀缺所致。它们还突显了考虑特定因素的重要性，以提高未来在这一具有挑战性地区的研究可靠性和准确性。