基于梯度提升方法的河外射电源形态分类
天体物理仪器与方法
2023-08-04 v2 机器学习
摘要
由于新投入使用的射电望远镜，射电天文学领域每天产生的数据量正在激增。该领域最关键的问题之一是基于形态对河外射电源进行自动分类。最近在河外射电源形态分类领域的多数研究提出了基于卷积神经网络的分类器。作为替代，本工作提出以梯度提升机器学习方法配合主成分分析，作为卷积神经网络的数据高效替代方案。近期研究表明，对于表格数据的分类问题，梯度提升方法在性能上优于深度学习方法。本工作考虑的梯度提升方法基于 XGBoost、LightGBM 和 CatBoost 实现。本工作还研究了数据集规模对分类器性能的影响。基于 Best-Heckman 样本中的射电源，本工作考虑了一个基于三个主要 Fanaroff-Riley 类别的三分类问题：0 类、I 类和 II 类。所有三种提出的梯度提升方法在使用少于四分之一图像数量的情况下，性能均优于最先进的基于卷积神经网络的分类器，其中 CatBoost 准确率最高。这主要归因于梯度提升方法在分类 Fanaroff-Riley II 类源上的更高准确率，其召回率高 3–4%。
引用
@article{arxiv.2304.12729,
title = {Morphological Classification of Extragalactic Radio Sources Using Gradient Boosting Methods},
author = {Abdollah Masoud Darya and Ilias Fernini and Marley Vellasco and Abir Hussain},
journal= {arXiv preprint arXiv:2304.12729},
year = {2023}
}
备注
The peer-reviewed paper was presented at The 2023 International Joint Conference on Neural Networks (IJCNN) and published on IEEE Xplore. The code and dataset used in this work are available from https://github.com/AbdollahMasoud/IJCNN-2023