用于量化射电星系分类下歧模 Ground truth 不确定性的蒙特卡洛 conformal 预测
天体物理仪器与方法
2026-03-23 v1
摘要
不断增长的数据卷积力力天文学家们采用自动方法来识别和分类天体。虽然深度学习模型常常适合这一任务，但获得其预测不确定性的测量具有挑战。我们考虑蒙特卡洛 conformal 预测（MCCP）中集合大小和置信度作为天文学射电星系分类模型不确定性的度量。我们使用来自预训练的射电星系基础模型的预测，微调于较小的标记射电星系集合。我们通过获取标注者派生的软标签分布，即对每个星系的类别而非常见的类别分配，而不是单个类别分配来校准MCCP，并将结果的集合大小和置信度分数与每个星系使用基于哈密顿蒙特卡洛采样（HMC）训练的监督式贝叶斯深度学习模型获得的预测熵度量进行比较。该比较揭示了这些度量之间仅弱相关。
引用
@article{arxiv.2603.20000,
title = {Monte Carlo conformal prediction for quantifying uncertainty in radio galaxy classification under ambiguous ground truth},
author = {Alex Walls and James Barry and Devina Mohan and Anna M. M. Scaife},
journal= {arXiv preprint arXiv:2603.20000},
year = {2026}
}
备注
Accepted to RAS Techniques & Instruments