STACCATO：一种针对有偏训练集的超新星测光分类新方案
天体物理仪器与方法
2020-04-03 v3
摘要
我们提出了一种新的解决方案，用于在仅有光谱确认但有偏的训练集情况下，仅从光变曲线对Ia型超新星进行分类，从而规避了获取观测代价高昂的无偏训练集的需要。我们使用高斯过程(GPs)对超新星(SN)的光变曲线建模，并证明协方差函数的选择对GPs准确分类超新星的能力仅有微小影响。我们扩展并改进了Richards等人(2012)的方法——一种扩散映射结合随机森林分类器——以专门处理有偏训练集的情况。我们提出了一种称为STACCATO（SynThetically Augmented Light Curve ClassificATiOn，合成增强光变曲线分类）的新方法，通过从拟合的GPs生成额外训练数据来合成增强有偏训练集。该方法成功的关键是根据观测对象被纳入训练集的倾向得分将其划分为子组。使用模拟光变曲线数据，我们表明STACCATO将接收者操作特征曲线下面积(AUC)衡量的性能从0.93提升至0.96，接近使用无偏训练集“金标准”获得的0.977的AUC，且显著优于先前最佳结果0.88。STACCATO还将高红移/低亮度超新星的SNIa分类真正率提高了至多50倍。
引用
@article{arxiv.1706.03811,
title = {STACCATO: A Novel Solution to Supernova Photometric Classification with Biased Training Sets},
author = {Esben A. Revsbech and Roberto Trotta and David A. van Dyk},
journal= {arXiv preprint arXiv:1706.03811},
year = {2020}
}
备注
Matches version accepted by MNRAS, v3 only changes metadata to point to zenodo repository for the code. The STACCATO code is available from https://doi.org/10.5281/zenodo.3701464