测光红移的层次建模与统计校准

现代测光星系巡天的宇宙学利用需要由宽带测光得出的准确（无偏）且精确（窄）的红移概率分布。现有方法无法满足这些要求。标准模板拟合可提供可解释的模型与误差，但缺乏学习观测测光或光谱模板中不准确性所需的灵活性。机器学习解决了这些问题，但需要具代表性的训练数据，且所得模型与不确定性无法在物理模型背景下或训练数据之外进行解释。我们提出一种同时解决灵活性、可解释性与泛化性问题的层次建模方法。它结合模板拟合与灵活的（类机器学习）模型来修正光谱模板、建模其红移分布，并重新校准测光观测。通过优化模型的完整后验分布并求解其（数千个）参数，可对数据与SED模型进行全局统计校准。我们将该方法应用于公开的暗能量巡天科学验证数据，表明其比现有方法提供更准确且紧致的红移后验分布，以及对残余测光与SED系统误差的洞察。该模型具有因果性，可对未来数据（如附加测光带通）做出预测，且其内部参数与组件可解释。该方法在形式上不要求训练数据完整或具代表性；原则上它甚至可在极少或无光谱红移可用的情形下工作。