时域天文学的在线分类

全天区巡天的出现推动了天文源实时分类技术的发展，以确保利用合适的仪器进行及时的后随观测。先前的工作侧重于算法选择或改进光变曲线表示，并在不考虑光变曲线的时间跨度或相位的情况下，天真地将光变曲线转换为结构化特征集。在本文中，我们强调了一个违反机器学习基本假设的问题：当使用具有长观测时间跨度的存档光变曲线来训练分类器，并将其应用于观测点较少的光变曲线时，该假设即被破坏。我们提出了两种解决方案来处理训练和测试光变曲线在时间跨度上的不匹配。第一种是使用分类器委员会，其中每个分类器都在不同观测时间跨度的光变曲线上进行训练；仅调用其训练集时间跨度与测试光变曲线相匹配的委员会成员进行分类。第二种解决方案使用分层分类器，能够单独预测源类型或按子组预测，从而使用户能够在更早、更鲁棒的分类与分类粒度之间进行权衡。我们使用 MACHO 巡天的光变曲线测试了这两种方法，并证明了它们在提高性能方面优于那些天真地在所有可用存档数据上进行训练的类似方法。