NeurIPS 2024 Ariel 数据挑战赛：利用以数据为中心的方法表征系外行星大气

通过光谱分析表征系外行星大气是一项复杂挑战。NeurIPS 2024 Ariel 数据挑战赛与欧洲航天局（ESA）的 Ariel 任务合作，提供了探索机器学习技术以从模拟光谱数据中提取大气成分的机会。在本工作中，我们聚焦于以数据为中心的方法，优先考虑泛化而非竞赛特定的优化。我们简要概述了多个实验轴，包括特征提取、信号变换和异方差不确定性建模。我们的实验表明，不确定性估计在高斯对数似然（GLL）分数中起着关键作用，影响性能达若干个百分点。尽管 GLL 分数提高了 11%，但我们的结果凸显了表格建模和特征工程在该任务中的固有局限性，以及 Kaggle 风格竞赛框架内以业务驱动方法的限制。我们的发现强调了天体物理数据分析中模型简洁性、可解释性和泛化之间的权衡。