用于白矮星分类的合成光谱技术：应对标签不确定性与类别不平衡
太阳与恒星天体物理
2025-03-18 v1 星系天体物理
天体物理仪器与方法
摘要
随着下一代光谱巡天即将发布的数据，预计未来几年内将有数十万条白矮星光谱可用，使数据量增加一个数量级。数据的激增产生了对自动化工具以高效分析和分类这些光谱的迫切需求。尽管机器学习算法最近已被应用于大型光谱数据集的分类，但它们仍受到训练数据可用性有限的制约。Sloan Digital Sky Survey (SDSS) 作为当前的标准训练集，因为它提供了最大的带标签光谱集合；然而，它面临着严重的类别不平衡和不同巡天之间标签一致性不确定的挑战。在这项工作中，我们通过在合成 SDSS 数据集上训练直方图梯度提升分类器来解决这些限制，以识别白矮星大气中六种普遍存在的化学特征，并在 14,246 个具有 SNR10 的 SDSS 光谱对象上进行了测试。我们表明，我们的方法不仅超越了人类专家的表现，而且能够进行子类型分类，并有效解决了标签可迁移性问题。这里开发的方法适用于任何光谱巡天，为天文界提供了一个关键工具。
引用
@article{arxiv.2503.13231,
title = {Synthetic Spectroscopy for White Dwarf Classification: Addressing Label Uncertainty and Class Imbalance},
author = {Olivier Vincent and Pierre Bergeron and Patrick Dufour},
journal= {arXiv preprint arXiv:2503.13231},
year = {2025}
}
备注
Accepted in MNRAS. 12 pages, 8 figures