Subaru/Hyper Suprime-Cam 巡天中光学暂现源的机器学习筛选
天体物理仪器与方法
2016-10-26 v1
摘要
我们展示了机器学习（ML）技术在 Subaru 望远镜的 Hyper Suprime-Cam (HSC) 光学暂现源巡天数据源筛选中的应用。我们的目标是从使用标准差分成像方法获得的大量虚假候选者中，准确且及时地筛选出真实的暂现源事件。我们开发了基于 AUC Boosting、Random Forest 和 Deep Neural Network 三种机器学习机器多数表决的暂现源筛选器。我们将其应用于2015年5月和8月的 Subaru-HSC 观测运行，并证明了其在筛选光学暂现源方面的有效性。对于前一组数据，在 22.0--25.0 mag 的星等范围内，当真阳性率为 90% 时，假阳性率为 1.0%。对于后一次运行，我们在观测当天成功检测并报告了十个超新星候选者。从这些运行中，我们得到了以下经验：（1）使用人造物体进行训练在过滤虚假候选者方面是有效的，特别是对于暗弱天体；（2）通过多数表决结合机器学习是有利的。
引用
@article{arxiv.1609.03249,
title = {Machine-learning Selection of Optical Transients in Subaru/Hyper Suprime-Cam Survey},
author = {Mikio Morii and Shiro Ikeda and Nozomu Tominaga and Masaomi Tanaka and Tomoki Morokuma and Katsuhiko Ishiguro and Junji Yamato and Naonori Ueda and Naotaka Suzuki and Naoki Yasuda and Naoki Yoshida},
journal= {arXiv preprint arXiv:1609.03249},
year = {2016}
}
备注
9 pages, 6 figures. Accepted for publication in PASJ