结合 Gaia EDR3 与 CatWise2020 的类星体与星系分类

本研究评估了将 Gaia 测光与天体测量数据和 CatWISE 的红外数据结合使用，相较于仅使用 Gaia 数据获得的分类，在改善河外源识别方面的效果。我们评估了不同的输入特征配置和先验函数，旨在提出一种融合源自宇宙中真实类别分布的先验知识的分类方法。在本研究中，我们比较了不同的分类器，即高斯混合模型（GMMs）、XGBoost 和 CatBoost，并将源分为三类——恒星、类星体和星系，其中类星体和星系的目标类别标签来自 SDSS16，恒星标签来自 Gaia EDR3。在我们的方法中，通过先验函数调整后验概率，以反映河外源在宇宙中的内禀分布。我们引入了两种先验：反映类星体和星系总体稀有性的全局先验，以及额外纳入这些源作为银河系纬度和星等函数分布的混合先验。就星系和类星体类的完整性与纯度而言，我们最佳的分类性能是在高纬度且星等范围 G = 18.5 至 19.5 的源上使用混合先验时取得的。我们将所识别的最佳性能分类器应用于来自 Gaia DR3 的三个应用数据集，发现与混合先验相比，全局先验在判定类星体或星系时更为保守。特别是，当应用于纯类星体和星系候选样本时，使用全局先验获得了 97% 的类星体纯度和 99.9% 的星系纯度，而使用混合先验则分别获得了 96% 和 99% 的纯度。最后，我们讨论了应用反映宇宙真实类别分布的调整后先验的重要性。