基于光谱数据的 StratLearn-z：改进的光度红移估计（考虑选择效应）

精确测量光度红移(photo-z)是现代光度星系测绘取得成功的关键。机器学习(ML)方法在此背景下显示出巨大的前景，但由于训练集中存在选择偏差导致的协变量迁移(CS)，其中有趣的源被低估，相应的 ML 模型表现出较差的泛化性能。我们将 StratLearn 方法应用于 photo-z 估计，通过仿真数据进行验证，其中我们强制实现不同程度的 CS。StratLearn 是一种统计上严谨的方法，其依赖于根据估计的倾向得分(即给定对象位于源数据集的概率给定其观测协变量)将源数据集和目标数据集划分为若干层。分层后，分别在每个层上拟合两个条件密度估计器，然后通过加权平均进行组合。我们将结果与 GPz 算法进行基准测试，并使用一组指标对两种代码的性能进行量化。我们的结果表明，尽管存在 CS，StratLearn-z 的指标仅受到轻微影响，而 GPz 在光度红移预测中表现显著下降，尤其是对较暗目标。对于最强的 CS 场景，StratLearn-z 可显著降低灾难性错误比例，RMSE 降低约为 2 倍，偏差降低一个数量级。我们还采用概率积分变换(PIT)评估条件红移估计的质量。来自 StratLearn-z 的 PIT 分布异常值数目大幅减少且呈对称分布，表明预测值似乎围绕真实红移值居中，尽管对条件红移分布的传播范围的估计较为保守。我们提供的 Julia 实现已发布于 https://github.com/chiaramoretti/StratLearn-z。