基于贝叶斯卷积神经网络的瞬变源优化真/伪分类——筛选 GOTO 候选流
天体物理仪器与方法
2021-03-24 v1 高能天体物理现象
摘要
大规模巡天在我们理解天体物理瞬变源方面发挥了变革性作用，而这只有在基于机器学习的日益强大的滤波技术能够准确筛选所生成的海量 incoming 数据时才成为可能。在本文中，我们提出了一种基于贝叶斯卷积神经网络的新型真/伪（real-bogus）分类器，该分类器对差分成像中的瞬变源候选体提供细致且具不确定性感知的分类，并展示了其在 GOTO 宽视场光学巡天数据流中的应用。候选体不仅被赋予经过良好校准的为真实源的概率，还附带可用于优先安排人工甄别工作并通过主动学习指导未来模型优化的置信度。为充分发挥该架构的潜力，我们提出了一种完全自动化的训练集生成方法，无需人工标注，并引入一种新颖的数据驱动增强方法，以显著提升对暗弱及核区瞬变源的回收率。与基于完全人工标注数据集训练的分类器相比，我们取得了具竞争力的分类精度（FPR 与 FNR 均低于 1%），同时构建过程显著更快且更省力。这种数据驱动方法可独特地扩展以应对下一代瞬变源巡天即将面临的挑战与数据需求。我们将数据生成与模型训练代码向学界公开。
引用
@article{arxiv.2102.09892,
title = {Transient-optimised real-bogus classification with Bayesian Convolutional Neural Networks -- sifting the GOTO candidate stream},
author = {T. L. Killestein and J. Lyman and D. Steeghs and K. Ackley and M. J. Dyer and K. Ulaczyk and R. Cutter and Y. -L. Mong and D. K. Galloway and V. Dhillon and P. O'Brien and G. Ramsay and S. Poshyachinda and R. Kotak and R. P. Breton and L. K. Nuttall and E. Pallé and D. Pollacco and E. Thrane and S. Aukkaravittayapun and S. Awiphan and U. Burhanudin and P. Chote and A. Chrimes and E. Daw and C. Duffy and R. Eyles-Ferris and B. Gompertz and T. Heikkilä and P. Irawati and M. R. Kennedy and A. Levan and S. Littlefair and L. Makrygianni and D. Mata Sánchez and S. Mattila and J. Maund and J. McCormac and D. Mkrtichian and J. Mullaney and E. Rol and U. Sawangwit and E. Stanway and R. Starling and P. A. Strøm and S. Tooke and K. Wiersema and S. C. Williams},
journal= {arXiv preprint arXiv:2102.09892},
year = {2021}
}
备注
17 pages, 12 figures, resubmitted to MNRAS following reviewer comments