使用隔离森林识别 GAMA 中的异常 E+A 星系
星系天体物理
2025-10-15 v2
摘要
我们实现一种异常检测模型——隔离森林 (Isolation Forest, iForest)，用于在 Galaxy and Mass Assembly 第四数据释放 (GAMA DR4) 中发现异常对象。iForest 是一种无监督机器学习 (ML) 技巧。所用数据为 GAMA DR4 的光谱和光度数据，涵盖超过 30 万个对象。我们选取两类星系样本：一类为高信噪比星系，以分析 iForest 的鲁棒性；另一类为 E+A 星系，以研究其人口的极端现象。这导致六个由光谱、光度和组合数据构成的子样本隔离，发现 101 个异常对象，其中一半在其他工作中未被识别为异常。我们还发现若干侵入误差和假发射线，显示出 iForest 检测这些误差的潜力。在发现异常 E+A 星系后，我们发现尽管这些星系在选取时使用低 [OII] 和强 H\delta 吸收，但仍处于星形成状态，具有强 H\alpha 发射。我们提出两种解释这类 E+A 星系仍处于星形成状态的可能性，并质疑这些星系是否真的可以被归类为 E+A 星系。我们建议，星系发生小尺度相互作用导致小规模星际灭弹。形成大质量恒星时的辐射压会更快地将吸积物驱逐出去，超过其吸积速度。我们还指出，这些异常 E+A 星系的 Jeans 极限太低，无法形成 O 类和 B 类恒星，但也不足以完全阻止星际形成。
引用
@article{arxiv.2509.18264,
title = {Identification of Anomalous E+A Galaxies in GAMA Using an Isolation Forest},
author = {Kieran Broadbelt and Kevin Pimbblet and Daniel J. Farrow},
journal= {arXiv preprint arXiv:2509.18264},
year = {2025}
}
备注
Accepted for publication in MNRAS. 17 pages, 11figures