类星体时间序列数据的高斯过程神经推断
星系天体物理
2022-11-21 v1 机器学习
摘要
类星体光变曲线的研究面临两个问题：功率谱的推断与不规则采样时间序列的插值。这些任务的基线方法是以阻尼随机游走（DRW）模型对时间序列进行插值，并利用最大似然估计（MLE）推断其谱。然而，DRW模型无法描述时间序列的平滑性，且MLE在优化与数值精度方面存在诸多问题。本工作中，我们引入一种称为卷积阻尼随机游走（CDRW）的新随机模型。该模型为DRW引入平滑性概念，使其能完整描述类星体谱。我们还提出一种称为神经推断的高斯过程参数推断新方法，利用最先进神经网络的能力改进传统的MLE推断技术。实验中，神经推断方法相较基线MLE取得显著提升（RMSE：，）。此外，CDRW模型与神经推断的结合在典型类星体光变曲线插值上显著优于基线DRW与MLE（：，）。代码已发布于GitHub。
引用
@article{arxiv.2211.10305,
title = {Neural Inference of Gaussian Processes for Time Series Data of Quasars},
author = {Egor Danilov and Aleksandra Ćiprijanović and Brian Nord},
journal= {arXiv preprint arXiv:2211.10305},
year = {2022}
}
备注
Machine Learning and the Physical Sciences workshop, NeurIPS 2022