点源注入策略对KMTNet实/假分类的影响调查
天体物理仪器与方法
2025-12-01 v1
摘要
最近，基于机器学习的实/假（RB）分类器在过滤人工噪声和识别实时天文调查中的真实瞬变事件方面显示出有效性。然而，瞬变事件的稀缺性以及为大量样本获取大量人工标注面临着在RB分类中构建训练数据集的重大挑战。鉴于这些挑战，点源注入技术——即将模拟点源注入光学图像——提供了一个可行的解决方案。本文首次详细比较不同的点源注入策略及其对分类性能在仿真到现实框架内的影响。为此，我们首先基于随机注入（RI）、近星系注入（NGI）以及结合方法使用韩国光学微镜望远镜网络数据集构建各种训练数据集。随后，我们在模拟裁切样本上训练卷积神经网络，并在引力波跟随观测中来自GW190814和S230518h的真实、不平衡数据集上进行评估。广泛的实验结果表明，RI在小行星检测和假信号过滤方面表现出色，但在星系附近发生的瞬变事件（如超新星）上表现不足。相比之下，NGI对于检测星系附近的瞬变事件有效，但倾向于将可变星误判为瞬变事件，导致高假阳性率。结合方法有效地处理了这些权衡，从而在检测率和假阳性率之间取得平衡。我们的结果强调了点源注入策略在开发面向瞬变（或多信使）跟随活动的稳健RB分类器中的重要性。
引用
@article{arxiv.2510.17053,
title = {Investigating the Effects of Point Source Injection Strategies on KMTNet Real/Bogus Classification},
author = {Dongjin Lee and Gregory S. H. Paek and Seo-Won Chang and Changwan Kim and Mankeun Jeong and Hongjae Moon and Seong-Heon Lee and Jae-Hun Jung and Myungshin Im},
journal= {arXiv preprint arXiv:2510.17053},
year = {2025}
}