银河系项目：利用公民科学与机器学习探测星际气泡
星系天体物理
2015-06-19 v1 天体物理仪器与方法
摘要
我们提出了Brut算法，用于识别银河系中平面红外图像中的气泡。Brut基于随机森林算法，利用来自银河系项目的超过35,000名公民科学家识别的气泡，来发现斯皮策太空望远镜图像中气泡的识别特征。我们证明Brut识别气泡的能力可与专业天文学家相媲美。我们使用Brut重新评估了银河系项目目录中的气泡，发现该目录中10-30%的物体是非气泡的闯入者。相对于这些闯入者，高可靠性气泡更局限于中平面，并在气泡边缘及其内部显示出更强的年轻恒星天体过剩。此外，Brut能够发现先前搜索遗漏的气泡——特别是那些靠近明亮源、相对于周围环境对比度较低的气泡。Brut展示了公民科学家、专业科学家和机器学习技术之间存在的协同作用。在“未经训练”的公民能够识别机器未经训练无法检测到的模式的情况下，像Brut这样的机器学习算法可以将公民科学项目的输出用作输入训练集，为加速科学发现提供巨大机遇。一种将机器学习与来自公民科学家的众包训练数据相结合的混合模型，不仅可以对大量数据进行分类，还可以解决每种方法单独部署时的弱点。
引用
@article{arxiv.1406.2692,
title = {The Milky Way Project: Leveraging Citizen Science and Machine Learning to Detect Interstellar Bubbles},
author = {Christopher Beaumont and Alyssa Goodman and Jonathan Williams and Sarah Kendrew and Robert Simpson},
journal= {arXiv preprint arXiv:1406.2692},
year = {2015}
}
备注
26 pages, 22 figures, ApJS in press. Code available at https://github.com/ChrisBeaumont/brut . Replication data available at http://thedata.harvard.edu/dvn/dv/brut