关注天文瞬变源：面向测光分类的时序 Transformer 的提出
天体物理仪器与方法
2023-10-06 v3 机器学习
摘要
未来的巡天项目，如薇拉·C·鲁宾天文台的时空遗产巡天（LSST），将观测到比以往任何巡天都多一个数量级的天体瞬变事件。面对如此海量的测光数据，仅靠人类对所有这类事件进行分类已不可能。近期的研究试图利用机器学习方法来应对天文瞬变分类的挑战，并不断取得进展。Transformer 是近年来提出的深度学习架构，最初用于自然语言处理，已展现出诸多近期成功。本工作中我们开发了一种以多头自注意力为核心的新型 Transformer 架构，用于通用多变量时序数据。此外，所提出的时序 Transformer 架构支持包含任意数量的附加特征，同时提供可解释性。我们将该时序 Transformer 应用于测光分类任务，在最小化对专家领域知识进行特征选择依赖的同时，取得了与最先进测光分类方法相当的结果。在采用 Photometric LSST Astronomical Time-Series Classification Challenge (PLAsTiCC) 数据的代表性不平衡数据设置下，我们取得了 0.507 的对数损失（logarithmic-loss）。此外，我们取得了 0.98 的微平均受试者工作特征曲线下面积与 0.87 的微平均精确率-召回率曲线下面积。
引用
@article{arxiv.2105.06178,
title = {Paying Attention to Astronomical Transients: Introducing the Time-series Transformer for Photometric Classification},
author = {Tarek Allam and Jason D. McEwen},
journal= {arXiv preprint arXiv:2105.06178},
year = {2023}
}
备注
Manuscript Accepted to RAS Techniques and Instruments. 15 pages, 12 figures