LSST 活动星系核数据挑战:选择方法
星系天体物理
2023-07-11 v1 天体物理仪器与方法
摘要
Rubin 天文台时空遗留巡天(LSST)的开发包括由各个 LSST 科学合作组(SC)在项目的预运行阶段安排的一系列数据挑战(DC)。AGN 科学合作组数据挑战(AGNSCDC)是预期 LSST AGN 数据的一个部分原型,旨在验证用于 LSST 等大型巡天中 AGN 选择与表征的机器学习方法。AGNSC-DC 于 2021 年举行,聚焦于准确性、鲁棒性与可扩展性。训练集与盲测数据集利用来自 Sloan Digital Sky Survey Stripe 82 区域和 XMM-Newton Large Scale Structure Survey 区域的数据构建,以模拟未来的 LSST 释放星表。数据特征被划分为天体测量、测光、颜色、形态、红移与类别标签,并附加变光特征与图像。我们给出使用经典方法与机器学习方法提交的四个 DC 解的结果。我们系统性地测试了有监督(支持向量机、随机森林、极端梯度提升、人工神经网络、卷积神经网络)与无监督(深度嵌入聚类)模型在将源分类/聚类为恒星、星系或 AGN 这一问题上的表现。我们在盲测数据集上获得有监督分类准确率 97.5%、无监督聚类准确率 96.0%,以及经典方法 95.0%。我们发现变光特征显著提升了训练模型的准确率,且不同波段间的相关性分析能够实现快速且低成本的类星体候选体一阶选择。
引用
@article{arxiv.2307.04072,
title = {The LSST AGN Data Challenge: Selection methods},
author = {Đorđe V. Savić and Isidora Jankov and Weixiang Yu and Vincenzo Petrecca and Matthew J. Temple and Qingling Ni and Raphael Shirley and Andjelka B. Kovacevic and Mladen Nikolic and Dragana Ilic and Luka C. Popovic and Maurizio Paolillo and Swayamtrupta Panda and Aleksandra Ciprijanovic and Gordon T. Richards},
journal= {arXiv preprint arXiv:2307.04072},
year = {2023}
}
备注
Accepted by ApJ. 21 pages, 14 figures, 5 tables