用于构建费米-LAT概率星表的机器学习方法

源的分类是天文学中最重要的任务之一。在一个波段（例如使用伽马射线）探测到的源，在其他波段可能有若干可能的对应体，也可能没有合理的候选对应体。在这项工作中，我们旨在使用两类——脉冲星和活动星系核（AGNs）——或三类——脉冲星、AGNs和“其他（OTHER）”源——来确定第三版费米大面积望远镜（LAT）点源星表（3FGL）和第四版费米LAT数据发布2点源星表（4FGL-DR2）中未认证源的概率分类。我们使用多种机器学习（ML）方法来确定费米-LAT源的概率分类。我们评估了结果对ML方法元参数（如基于树的分类方法中树的最大深度和神经网络中神经元的数量）的依赖性。我们确定了3FGL和4FGL-DR2星表中已认证和未认证源的概率分类。对于在3FGL中存在对应体且其对应体在4FGL-DR2中有关联的情况，我们通过比较3FGL中未认证源的预测类别与其在4FGL-DR2中的关联来交叉检验准确性。我们发现，在两类情况下，为了现实地估计脉冲星和AGNs的数量，对未认证源中其他（OTHER）源的存在进行修正是重要的。我们发现，尽管其他（OTHER）类中包含不同类型的源，三类分类在可靠性图方面的表现与两类分类相似，同时由于未认证源中存在其他（OTHER）源，它不需要进行调整。我们展示了一个将概率星表用于包含已认证和未认证源的群体研究的应用示例。