用于多变量参数估计的 ILIUM 前向建模算法及其在从 Gaia 分光光度测量中导出恒星参数的应用
天体物理仪器与方法
2015-05-14 v2 星系天体物理
太阳与恒星天体物理
神经与进化计算
机器学习
摘要
我介绍了一种基于前向建模从多维数据估计参数的算法。与许多机器学习方法相比，它避免了拟合逆模型及其相关问题。该算法明确利用了数据对参数的敏感性，旨在更好地处理那些对数据影响较弱的参数。前向建模方法提供了预测参数的不确定性（全协方差）估计以及观测的拟合优度。我通过从 Gaia 将获得的低分辨率分光光度测量模拟中估计恒星天体物理参数 (APs) 来演示 ILIUM 算法。AP 精度与支持向量机获得的精度相当。例如，对于覆盖广泛金属丰度、表面重力和温度的零消光恒星，ILIUM 在 G=15 时估计 Teff 的精度为 0.3%，在 G=20 时（较低信噪比）光谱的精度为 4%。对于 G<=18.5 的恒星，[Fe/H] 和 logg 的估计精度可达 0.1-0.4 dex。如果消光先验地在宽范围 (Av=0-10 mag) 内变化，那么 Teff 和 Av 可以相当精确地估计（在 G=15 时分别为 3-4% 和 0.1-0.2 mag），但这些参数存在强烈且普遍存在的简并性，限制了我们在暗弱星等下精确估计任一参数的能力。利用前向模型，我们可以（预先）映射这些简并性，从而提供完整的解的概率分布。（摘要删节）
引用
@article{arxiv.0911.5242,
title = {The ILIUM forward modelling algorithm for multivariate parameter estimation and its application to derive stellar parameters from Gaia spectrophotometry},
author = {C. A. L. Bailer-Jones},
journal= {arXiv preprint arXiv:0911.5242},
year = {2015}
}
备注
MNRAS, in press. This revision corrects a few minor errors and typos. A better formatted version for A4 paper is available at http://www.mpia.de/home/calj/ilium.pdf