基于半监督生成对抗网络的脉冲星候选体识别
天体物理仪器与方法
2021-05-14 v2 高能天体物理现象
摘要
机器学习方法正日益帮助天文学家识别新的射电脉冲星。然而，它们需要大量标注数据，而这类数据制作耗时且有偏。本文描述一种半监督生成对抗网络（SGAN），其在使用多数未标注数据集时取得了比标准监督算法更好的分类性能。我们仅用100个标注候选体和5000个未标注候选体训练，达到了94.9%的准确率和平均F值，而标准监督基线分别为81.1%和82.7%。我们最终在更大标注数据集上训练的模型达到了99.2%的准确率和平均F值，以及99.7%的召回率。该技术在脉冲星巡天早期、新仪器标注数据有限时即可实现高质量分类。我们开源了我们的工作以及由高精度宇宙时间分辨率南天低纬度巡天产生的新脉冲星候选体数据集。该数据集拥有任何公开数据集中最多的脉冲星探测数，希望它能成为基准测试未来机器学习模型的宝贵工具。
引用
@article{arxiv.2010.07457,
title = {Pulsar Candidate Identification Using Semi-Supervised Generative Adversarial Networks},
author = {Vishnu Balakrishnan and David Champion and Ewan Barr and Michael Kramer and Rahul Sengar and Matthew Bailes},
journal= {arXiv preprint arXiv:2010.07457},
year = {2021}
}
备注
added coauthors and one extra plot, main results unchanged, accepted by MNRAS journal