共享随机高斯过程潜在变量模型：用于类鲹鱼光谱的多模态生成模型

本工作提出一种基于高斯过程（GP）的可扩展概率潜在变量模型，其在多个观测空间的语境下应用。我们关注一个在天文学中应用的情形，其中数据集通常包含观测到的光谱特征以及天文物体（如星系或系外行星）的科学属性。在我们的应用中，我们研究非常明亮的星系——类鲹鱼星系的光谱及其属性，如其中心超大质量黑洞的质量、吸积率和亮度，从而导致多个观测空间。单个数据点随后由不同类别的观测 characterization，每种观测具有不同的似然分布。我们提出的模型扩展了Lalchand等人（2022）引入的基准随机变分高斯过程潜在变量模型（GPLVM），以适应此设置，提出一种无缝生成模型，其中类鲹鱼星系的光谱和科学标签可同时使用共享潜在空间作为输入，通过为每个观测空间中的不同解码器集合来生成。此框架还支持在缺失数据情形下的训练，其中单个数据点的大量维度可能未知或未观测。我们在测试时推断期间展示了高保真度的光谱和科学标签重构，简要讨论了结果的科学解释，以及此类生成模型的重要性。