用于 CMD 上机器学习的四叉树特征
天体物理仪器与方法
2023-06-28 v1 星系天体物理
太阳与恒星天体物理
摘要
诸如 Vera C. Rubin 天文台之类的未来设施将对数千个星团进行极深测光，直至银河系边缘及更远，这将需要能够自动分析的适当工具，以执行诸如通过颜色-星等图（CMD）分析来刻画星团特征的任务。后者本质上是 N 维空间中的点云，维数对应于所采用的测光波段数。在此背景下，适用于表格数据的机器学习技术无法立即应用于 CMD，因为给定 CMD 中所含恒星数目可变，且需要对置换具有等变性。为解决此问题而不引入需要人工监督的特设操作，我们在此提出一种新的 CMD 特征化流程，通过颜色-星等平面的迭代划分以类四叉树结构来概括 CMD，从任意给定 CMD 中提取相关子区域的固定数目有意义特征。本方法对测光噪声和污染具有鲁棒性，并且表明对我们特征上的简单线性回归在交叉验证中以 0.33 dex（0.16 dex）的散度预测距离模数（金属丰度）。
引用
@article{arxiv.2306.15487,
title = {Quadtree features for machine learning on CMDs},
author = {Jose Schiappacasse-Ulloa and Mario Pasquato and Sara Lucatello},
journal= {arXiv preprint arXiv:2306.15487},
year = {2023}
}
备注
10 pages, 6 figures. Submitted to the International Conference on Machine Learning 2023