利用数据驱动的恒星模型提高 Gaia 视差精度

将含噪视差测量转换为关于距离的后验信念需要进行带有先验的推断。通常，该先验代表了对银河系恒星密度分布的信念。然而，很大一部分 Gaia TGAS 目录拥有多波段测光数据，这些数据对恒星距离提供了极具价值的信息。在此，我们利用 140 万颗 TGAS 恒星的 2MASS 颜色，在颜色-星等空间中构建了恒星的去噪经验先验分布。该模型不包含任何关于恒星天体物理学或银河系的知识，但非常精确，因为它在平稳性假设下准确地生成了大量含噪视差测量；也就是说，它能够结合来自许多恒星的信息。我们使用极端反卷积算法——一种对每颗恒星真实视差和测光的全分层模型的经验贝叶斯近似——来构建此先验。将该先验与 TGAS 似然结合，可以为每颗恒星推断出精确的光度视差估计值及其不确定性（以及完整的后验分布）。我们的视差估计比 TGAS 目录条目的精度中位数提高了 1.2 倍（14% 的精度提高超过 2 倍），并且比使用空间先验的先前贝叶斯距离估计更为精确。我们使用银河系星团 M67 的成员星验证了我们的视差推断，该星团在 TGAS 视差估计中无法作为星团显现，但在我们的后验视差估计中呈现为星团。我们的结果（包括 140 万颗 TGAS 恒星各自的视差后验概率密度函数）可在配套的电子表格中获取。