基于无监督机器学习技术选择含AGN的矮星系：衡量偏差与污染
星系天体物理
2025-05-23 v1
摘要
识别矮星系中的AGN对于理解黑洞形成至关重要，但由于其低亮度、低金属量以及由星际形成驱动的辐射会遮蔽AGN特征，仍面临挑战。机器学习(ML)技术，特别是无监督方法，提供了新的解决这些挑战的方法，通过在复杂数据中揭示模式。本研究将自组织地图(SOM)应用于探索矮星系的光谱能量分布(SED)流形，并评估AGN选择偏差。我们对30,344个红移小于0.055且星质量小于10^9.5太阳质量的矮星系使用来自NSA目录的九带光度数据（从近紫外到中红外）训练了51x51的SOM。将一组438个先前确认的矮星系AGN（通过各种方法选择）映射到SOM上。通过不同方法识别的AGN在SED空间中占据不同且部分重叠的区域，这反映了与宿主属性相关的选择偏差。BPT选定的AGN聚集在较大质量区域，而X射线和变率选定的AGN显示更广泛的分布。WISE选定的AGN集中在较小质量区域，形成两个簇：一个与较蓝色、星际形成驱动的系统相关，另一个与较红色、更具AGN特征的SED相关。这种分离可能有助于区分WISEx选定样本中的真实AGN宿主与星际形成污染物。通过传统辐射线、宽线和WISEx方法选定的AGN倾向于避免与强星际形成相关的SOM区域。相比之下，位于低质量星系中的一部分AGN占据反映其相对于星质量含量较高的AGN亮度的区域，这凸显了在微弱宿主中的显著AGN亮度。这些结果表明，流形学习对于改进低质量量程内的AGN选择具有实用价值。
引用
@article{arxiv.2505.16509,
title = {Selection of Dwarf Galaxies Hosting AGNs: A Measure of Bias and Contamination using Unsupervised Machine Learning Techniques},
author = {Sogol Sanjaripour and Archana Aravindan and Gabriela Canalizo and Shoubaneh Hemmati and Bahram Mobasher and Alison L. Coil and Barry C. Barish},
journal= {arXiv preprint arXiv:2505.16509},
year = {2025}
}