SOMz：利用自组织映射和随机图集估算光致红移概率密度函数
天体物理仪器与方法
2015-06-18 v1 宇宙学与河外天体物理
机器学习
机器学习
摘要
本文探讨了利用无监督机器学习技术自组织映射（SOM）估算星系光致红移概率密度函数（PDFs）的适用性。该技术采用光谱训练集，通过竞争学习过程将光度属性（而非红移）映射到二维表面，在此过程中神经元相互竞争以更紧密地拟合训练数据的多维空间。SOM 的关键特征在于其保留了输入集的拓扑结构，揭示了不易识别的属性间相关性。利用 DEEP2 巡天数据，我们测试了三种不同的二维拓扑映射：矩形、六边形和球形。我们还探索了映射的不同实现方式和边界条件，并引入了随机图集的概念，即创建大量不同的映射并将它们的独立预测结果聚合，以产生更稳健的光致红移 PDF。此外，我们引入了一种新指标-score，它能有效整合不同指标，从而更易于比较不同结果（来自不同参数或不同光致红移代码）。我们发现，使用球形拓扑映射能更好地表示底层多维拓扑，从而提供与其他最先进（state-of-the-art）机器学习算法相当的更准确结果。我们的结果表明，无监督方法在许多天文学问题中具有巨大潜力，特别是在光致红移计算方面。
引用
@article{arxiv.1312.5753,
title = {SOMz: photometric redshift PDFs with self organizing maps and random atlas},
author = {M. Carrasco Kind and R. J. Brunner},
journal= {arXiv preprint arXiv:1312.5753},
year = {2015}
}
备注
14 pages, 8 figures. Accepted for publication in MNRAS. The code can be found at http://lcdm.astro.illinois.edu/research/SOMZ.html