模拟类星体光谱红移分布与不确定性：基于 Kilo-Degree Survey 的研究
宇宙学与河外天体物理
2026-03-23 v1
摘要
我们旨在确定最有效的方法来估计类星体 photo- 的不确定性，并评估不同模型在不同数据质量下重建真实红移分布的能力。我们使用来自 Kilo-Degree Survey Data Release 5 的光学 photometry magnitudes，并使用来自 Dark Energy Spectroscopic Instrument Data Release 1 的光谱确认类星体。我们比较了人工神经网络（ANNs）、混合密度网络（MDNs）和贝叶斯神经网络（BNNs），后者结合了高斯混合模型（GMM）输出。为了评估对观测限制的鲁棒性，我们构建了四个测试集，覆盖训练样本中更暗的源以及缺失光学波段的所有组合。ANNs 在重建红移分布方面表现出显著偏差。MDNs 至少需要两个高斯分量才能实现准确的重建，该级联 MDN 在该类别中提供最佳性能。BNNs 对训练范围之外的源（即更暗的源）的改进结果，使负对数似然（NLL）提升了 ，但会因更亮的数据而降低 NLL。对于要么更暗的数据要么缺失的光度学，重建是可行的；但两者的组合导致显著偏差。无监督聚类识别出两个主要的退化解在红移对 和 处。准确的不确定性建模对于直接从 photo- 重建红移分布至关重要。尽管 BNNs 在外分布推断中尤其有益，但以牺牲更亮源的准确性为代价。我们的 methodology 使我们能够识别和移除不适合用于斜面分析的退化 photo- 估计。
引用
@article{arxiv.2603.19882,
title = {Modeling Quasar Photo-$z$ Distribution and Uncertainty. A Study Based on the Kilo-Degree Survey},
author = {Kacper Drabicki and Szymon J. Nakoneczny and Maciej Bilicki},
journal= {arXiv preprint arXiv:2603.19882},
year = {2026}
}