射电星系动物园：利用变分自编码器的潜在空间表示

我们提出学习射电星系的潜在空间表示，并为此在未标记数据集 RGZ DR1 上训练一个极深变分自编码器（\protect\Verb+VDVAE+）。我们展示了编码特征可用于下游任务，如标记数据集中星系的分类与相似性搜索。结果表明，该模型能够重建其给定输入，捕捉后者显著特征。我们使用来自 MiraBest Confident 与 FR-DEEP NVSS 数据集的星系图像潜在编码，训练多种非神经网络分类器。发现后者在 MiraBest Confident 数据集上能区分 FRI 与 FRII 星系，达到 \textit{accuracy} $\ge 76\%$、\textit{roc-auc} $\ge 0.86$、\textit{specificity} $\ge 0.73$ 与 \textit{recall} $\ge 0.78$，与先前研究所得结果相当。在 FR-DEEP NVSS 数据表示上训练的简单分类器性能，与先前工作中基于图像训练的深度学习分类器（CNN 基）持平，凸显压缩信息之强大。我们成功利用所学表示在某一数据集中搜索与属于不同数据集的查询图像语义相似的星系。尽管生成新星系图像（如用于数据增强）非我们的主要目标，我们发现 \protect\Verb+VDVAE+ 模型是相对良好的模拟器。最后，作为迈向异常/新颖性检测的一步，我们在潜在编码上训练了一个密度估计器——掩码自回归流（\protect\Verb+MAF+）——从而可估计数据的对数似然。本工作所进行的下游任务证明了潜在编码的意义。