利用快速可扩展高斯过程（MuyGPs）进行光变曲线补全与预测
天体物理仪器与方法
2022-09-01 v1 机器学习
摘要
视星等的随时间变化称为光变曲线，是由望远镜在长时间内捕获的感兴趣观测统计量。光变曲线有助于将空间域感知（Space Domain Awareness, SDA）目标（如目标识别或姿态估计）作为潜变量推断问题来探索。商用现货（commercial off the shelf, COTS）相机的地基观测相比高精度仪器仍较廉价，然而有限的传感器可用性加上噪声较大的观测会产生间隙性时间序列数据，难以建模。这些外部因素妨碍了光变曲线的自动利用，使得光变曲线预测与外推成为应用中的关键问题。传统上，图像或时间序列补全问题采用基于扩散或基于样例的方法。近来，深度神经网络（Deep Neural Networks, DNNs）因其学习复杂非线性嵌入的经验性成功而成为首选工具。然而，DNN 常需要大量训练数据，而在观测单颗卫星光变曲线独特特征时未必具备。本文提出一种利用高斯过程（Gaussian Processes, GPs）预测光变曲线缺失与未来数据点的新方法。GP 是推断函数后验分布并自然量化不确定性的非线性概率模型。然而，GP 推断与训练的三次方复杂度是其在应用中采用的主要障碍。特别地，单条光变曲线可包含数十万次观测，远超单机常规 GP 的实际实现极限。因此，我们采用 MuyGPs，一种利用最近邻稀疏化与局部交叉验证的 GP 模型超参数估计可扩展框架。MuyGPs……
引用
@article{arxiv.2208.14592,
title = {Light curve completion and forecasting using fast and scalable Gaussian processes (MuyGPs)},
author = {Imène R. Goumiri and Alec M. Dunton and Amanda L. Muyskens and Benjamin W. Priest and Robert E. Armstrong},
journal= {arXiv preprint arXiv:2208.14592},
year = {2022}
}
备注
14 pages, 7 figures, accepted to AMOS 2022 conference