基于生成对抗网络数据增强改进天文时间序列分类
天体物理仪器与方法
2022-08-17 v1 机器学习
摘要
由于最新技术进步，具有显著天空覆盖度的望远镜每夜将产生数百万个天文警报，必须快速且自动地分类。目前分类采用监督机器学习算法，其性能受限于现有天体标注数量及其高度不平衡的类别分布。本工作中，我们提出一种基于生成对抗网络（GANs）的数据增强方法，从变星生成多种合成光变曲线。我们的新贡献包括一种重采样技术和一种评估指标，可在不平衡数据集中评估生成模型的质量，并识别Fréchet Inception Distance未能揭示的GAN过拟合情况。我们将所提模型应用于取自Catalina和Zwicky瞬变设施巡天的两个数据集。在使用合成数据训练并以真实数据测试时，相较于仅使用真实数据的情况，变星的分类准确率显著提升。
引用
@article{arxiv.2205.06758,
title = {Improving Astronomical Time-series Classification via Data Augmentation with Generative Adversarial Networks},
author = {Germán García-Jara and Pavlos Protopapas and Pablo A. Estévez},
journal= {arXiv preprint arXiv:2205.06758},
year = {2022}
}
备注
Accepted to ApJ on May 11, 2022