用于 Pan-STARRS1 差分成像中瞬变源发现的机器学习
天体物理仪器与方法
2015-06-23 v3
摘要
高效识别和后续观测天文瞬变源受到人为需求的阻碍，即需要从包含大量假阳性的数据流中手动筛选有希望的候选体。这些伪影产生于大多数大型地基时域巡天使用大格式 CCD 相机生成的差分图像中。这种依赖人工剔除虚假探测的做法对于下一代全天巡天是不可持续的，目前正投入大量精力以计算方式解决该问题。在本文中，我们探索了一种简单的机器学习方法来进行真伪分类，该方法利用来自 Pan-STARRS1 中等深度巡天的约 32000 个真实天文瞬变源和虚假探测的图像数据构建训练集。我们的特征表示源自候选体中心周围 20x20 像素印戳的像素强度值。这与以往工作不同之处在于，它直接作用于像素，而非依赖用于特征设计或选择的编目领域知识。我们训练了三种机器学习算法（人工神经网络、支持向量机和随机森林），并在保留的 25% 训练数据子集上测试了它们的性能。我们发现随机森林分类器的结果最佳，并表明在接受 1% 假阳性率的情况下，分类器初步显示的漏检率约为 10%。然而，我们也发现，由于亮星变异性、核瞬变源以及人工标记的不确定性，我们对漏检率的最佳估计约为 6%。
引用
@article{arxiv.1501.05470,
title = {Machine learning for transient discovery in Pan-STARRS1 difference imaging},
author = {D. E. Wright and S. J. Smartt and K. W. Smith and P. Miller and R. Kotak and A. Rest and W. S. Burgett and K. C. Chambers and H. Flewelling and K. W. Hodapp and M. Huber and R. Jedicke and N. Kaiser and N. Metcalfe and P. A. Price and J. L. Tonry and R. J. Wainscoat and C. Waters},
journal= {arXiv preprint arXiv:1501.05470},
year = {2015}
}
备注
17 pages, 16 figures, accepted for publication in MNRAS