用于均匀分布和高斯分布的外推模型预测外星行星特征

技术的进步导致了几乎所有领域数据收集的快速增长，包括天文学，其中研究人员正在转向机器学习来处理和分析这些数据。天文学中一个突出的数据示例是系外行星的大气检索。在帮助桥接机器学习与天文学领域专家之间的差距方面，2023年Ariel数据挑战赛旨在预测7个系外行星特征的后验分布。本文所述的程序利用两种深度学习模型的组合来应对这一挑战：一个生成多变量高斯分布均值和协方差矩阵的多变量高斯模型，以及一个预测用于统一分布上下界的分位数的均匀分位数模型。实验发现，多变量高斯模型的训练不稳定，而均匀分位数模型的训练稳定。实验显示，在测试期间，均匀分布的集合成绩具有竞争力（后验得分696.43），而与多变量高斯分布组合后，在2023年Ariel数据挑战赛中获得第三名（最终得分681.57）。