多巡天超新星的全色测光分类及面向未来巡天的迁移学习
天体物理仪器与方法
2022-12-28 v1 太阳与恒星天体物理
摘要
随着更高 cadence 的宽场巡天使得发现比以往更多，时域天文学正进入新时代。该领域日益采用机器学习与深度学习将瞬变体自动分类至既定分类体系。训练此类分类器需要足够大且具有代表性的训练集，这对如 Vera Rubin 天文台等未来新巡天（尤其运行初期）并非必然。我们提出利用高斯过程从 Open Supernova Catalog 获取多巡天超新星光变的统一表示，以用于卷积神经网络监督分类。我们还研究使用迁移学习对 Photometric LSST Astronomical Time Series Classification Challenge (PLAsTiCC) 数据集光变曲线进行分类。利用卷积神经网络对多巡天高斯过程生成表示的超新星光变曲线分类，我们在 Ia、Ibc 与 II 型分类上取得 0.859 的 AUC 分数。我们发现迁移学习在分类 PLAsTiCC 光变曲线时，将最具代表性的不足类的分类准确率提升达 18%，并在纳入测光红移进行六类（Ia、Iax、Ia-91bg、Ibc、II、SLSN-I）分类时取得 0.945 的 AUC 分数。我们还探究了在标记训练集有限时迁移学习的效用，以考察该方法如何用于未来巡天运行初期训练分类器。
引用
@article{arxiv.2208.01328,
title = {Pan-chromatic photometric classification of supernovae from multiple surveys and transfer learning for future surveys},
author = {Umar. F. Burhanudin and Justyn. R. Maund},
journal= {arXiv preprint arXiv:2208.01328},
year = {2022}
}
备注
15 pages, 14 figures