利用卷积神经网络与星系图像估计测光红移:数据驱动方法中偏差消解的案例研究

深度学习模型在天体物理研究中日益被采用,然而此类数据驱动算法易产生有损后续分析的偏差输出。本工作中,我们以使用卷积神经网络(CNNs)与具光谱红移的星系图像、将测光红移估计作为分类问题为例,研究了两类主要偏差,即类依赖残差与模式崩塌。我们聚焦于点估计,并基于CNN模型提出一组用于消解这两类偏差的连续步骤,涉及多通道输出的表示学习、训练数据平衡与利用软标签。残差可视为光谱红移或测光红移的函数,而基于这两种定义的偏差互不相容,应以分离方式处理。我们建议,消解光谱空间中的偏差是消解测光空间中偏差的先决条件。实验表明,相较基准方法,我们的方法在控制偏差方面具备更优能力,并在给定高质量数据下不同实现与训练条件中展现鲁棒性。我们的方法对未来需要良好偏差约束的宇宙学巡天具有前景,并可应用于回归问题及其他使用数据驱动模型的研究。尽管如此,偏差-方差权衡与对充分统计量的需求表明有必要发展更优方法论并优化数据使用策略。