利用SHBoost将光谱星标签传递给2.17亿颗Gaia DR3 XP星

本文探讨了使用机器学习回归方法从光谱光度数据中提取基本星参数和视线消光值的可行性。我们构建了一个稳定的梯度提升随机森林回归器（xgboost），在没有基于地面光谱观测的情况下，能够从Gaia DR3数据（尤其是低分辨率XP光谱）中产生可靠不确定性的参数。利用Shapley可加解释，我们解释了每个星体预测值受每个数据特征影响的方式。对于网络的训练和测试，我们使用来自多个主要光谱星体调查获得的约八百万颗星的高质量参数，补充了热星、极金属贫星、白矮星和热亚矮星的精选样本。训练数据覆盖整个天空、所有银河组成以及几乎完整的Gaia DR3 XP样本的整个亮度范围（该样本包含2.17亿颗星并报告了距离）。我们在整个Gaia DR3 XP样本上实现了0.20mag在V带消光、0.01 dex在对数有效温度、0.20 dex在表面重力、0.18 dex在金属丰度以及12%在质量的中位数不确定性。我们在Gaia DR3 XP光谱上实现了与我们在此前工作中采用经典异星模型或光谱能谱拟合方法相比具有竞争力的结果，尤其是在参数$A_V$和$T_{\rm eff}$以及金属丰度方面。最后，我们展示了该新目录的一些潜在应用，包括消光图、银河系中的金属丰度趋势，以及年轻大质量星、金属贫星和金属富星的扩展图。[已略]