用于脉冲星分类的概率学习

在这项工作中,我们探索使用概率学习来识别脉冲星候选体的可能性。我们利用深度高斯过程(DGP)和深度核学习(DKL)。在平衡训练集上训练以避免类不平衡的影响,模型整体表现非常有前景,取得了相对较高的区分正类与负类的概率($roc$-$auc \sim 0.98$)。我们估计每个模型预测的预测熵,发现 DKL 比 DGP 对其预测更有信心,并提供更好的不确定性校准。在考察使用不平衡数据集训练对模型的影响后,结果表明每个模型的性能随训练集中多数类数量增加而下降。有趣的是,在负类数量为正类 $10\times$ 的情况下,模型仍提供相当良好的校准不确定性,即期望不确定性校准误差(UCE)小于 $6\%$。我们在本研究中还展示了在训练数据集相对较少的情况下,通过贝叶斯分歧主动学习(BALD)训练的基于卷积神经网络的分类器的表现。我们发现,在优化数量的训练样本下,该模型——对其预测最有信心——泛化相对良好,并产生最佳的不确定性校准,对应 UCE = $3.118\%$。