利用主动学习优化超新星测光分类的光谱后续观测策略
天体物理仪器与方法
2019-01-04 v3 宇宙学与河外天体物理
摘要
我们报告了一个用于优化超新星测光分类的光谱后续观测设计框架。该策略考虑了光谱样本与测光样本之间不可避免的失配，并可在新巡天初期——无任何初始训练集时——使用。该框架属于主动学习(active learning, AL)范畴，这类算法旨在通过识别少量精心挑选的、具有较高提升分类器预测潜力的对象来最小化标注成本。作为概念验证，我们使用超新星测光分类挑战(SNPCC)后发布的模拟数据以及随机森林分类器。我们的结果表明，仅使用 SNPCC 光谱样本训练对象数的 12%，该方法便能使纯度结果翻倍。此外，为考虑同一夜晚内的多次光谱观测，我们提出了一种半监督批模式 AL 算法，每夜选取一组 个最具信息量的对象。与传统方法初始状态相比，我们的方法在仅 180 天观测或 800 次查询（占 SNPCC 光谱样本量的 73%）后，实现了 2.3 倍更高的纯度与可比的优值结果。这些结果是在与观测原始 SNPCC 光谱样本所需相同光谱时间量下获得的，表明此类策略在现有光谱资源下可行。本工作所用代码可在 COINtoolbox 获取：https://github.com/COINtoolbox/ActSNClass 。
引用
@article{arxiv.1804.03765,
title = {Optimizing spectroscopic follow-up strategies for supernova photometric classification with active learning},
author = {E. E. O. Ishida and R. Beck and S. Gonzalez-Gaitan and R. S. de Souza and A. Krone-Martins and J. W. Barrett and N. Kennamer and R. Vilalta and J. M. Burgess and B. Quint and A. Z. Vitorelli and A. Mahabal and E. Gangler},
journal= {arXiv preprint arXiv:1804.03765},
year = {2019}
}
备注
18 pages, 15 figures - replace to match journal version