用于寻找中等质量黑洞的可解释机器学习
星系天体物理
2023-10-31 v1 高能天体物理现象
太阳与恒星天体物理
摘要
球状星团(GCs)承载中等质量黑洞(IMBHs)的确凿证据难以捉摸。基于 GC 模拟训练的机器学习(ML)模型原则上可根据可观测特征预测 IMBH 宿主候选体。该方法有两个局限:首先,由于复杂性,准确的 ML 模型预期是黑箱;其次,尽管我们努力真实地模拟 GC,模拟物理或初始条件可能未能完全反映现实。因此我们的训练数据可能存在偏差,导致在观测数据上泛化失败。第一个问题——可解释性/可说明性——与第二个问题——分布外泛化与公平性——均为 ML 中活跃的研究领域。在此我们采用这些领域的技术来解决它们:我们使用锚点(anchors)方法解释 XGBoost 分类器;我们也使用可证明最优规则列表(Certifiably Optimal RulE ListS, CORELS)独立训练了一个原生可解释模型。所得模型具有清晰的物理意义,但相对于 XGBoost 损失了部分性能。我们基于分类器预测以及它们与训练数据的相似度来评估真实数据中的潜在候选体,相似度由核密度估计模型的似然度量。这衡量了我们模拟数据的真实性,并缓解了模型在外推时产生偏差预测的风险。我们将分类器应用于真实 GC,获得了预测分类、预测置信度度量、分布外标志、解释 XGBoost 预测的局部规则以及来自 CORELS 的全局规则。
引用
@article{arxiv.2310.18560,
title = {Interpretable machine learning for finding intermediate-mass black holes},
author = {Mario Pasquato and Piero Trevisan and Abbas Askar and Pablo Lemos and Gaia Carenini and Michela Mapelli and Yashar Hezaveh},
journal= {arXiv preprint arXiv:2310.18560},
year = {2023}
}
备注
ApJ accepted