充分利用平行滤波器：基于机器学习的稀疏 JWST 滤光组 photometric redshift 研究

光谱红移（photo-$z$s）是JWST中银河演化科学的 essential tool。然而，对于采用较有限滤波器组（即 $N_{\text{filt}} \sim6$）的深度调查（如大规模纯平行调查），最常用的基于模板拟合的photo-$z$方法可能对感兴趣的高$z$ 族群产生高度自信但错误的结果。因此，这些数据集的实用性和传统价值可能受到负面影响。为此，我们提出一种应用机器学习（ML）的photo-$z$技术，用于深入JWST光谱数据集。我们采用两种不同的ML算法，分别使用高斯过程和最近邻估计，以及更标准的模板拟合方法。我们表明，简单的基于最近邻的估计能够在$z \sim8$时提供比模板拟合更准确的photo-$z$，同时将灾难性离群值减少约 $2-3$ 倍。此外，结合模板和ML的“混合”估计可进一步提高整体准确性和可靠性，同时保留对$z > 10$的photo-$z$预测能力。仅用的最近邻估计或混合估计可实现在仅6个 NIRCam 滤光器下，针对$0 < z \lesssim 8$范围内的photo-$z$，其鲁洼散布为 $\sigma_{\text{NMAD}}\sim0.03-0.04$，离群值比例为 $\sim3-10\%$，且计算成本几乎不高于标准模板拟合。该方法易于适用于替代数据集、滤波器组合或训练样本。总体而言，我们的结果凸显了即使是简单的ML技术，也能提高JWST纯平行和大范围调查的科学回报。