调整目标选择算法以改进星系红移估计
天体物理仪器与方法
2016-06-16 v2 宇宙学与河外天体物理
星系天体物理
摘要
我们展示了受机器学习（ML）启发的目标选择算法，用于确定所有潜在目标中应优先选择哪些进行光谱后续观测。高效的目标选择可以改善在独立样本上计算的 ML 红移不确定性，同时所需观测的目标更少。我们将 ML 目标选择算法与斯隆数字巡天（SDSS）目标排序及随机目标选择算法进行了比较。ML 启发的算法通过迭代构建：利用先前观测的数据，估计剩余目标星系中哪些对机器学习方法准确估计红移最为困难。这是通过预测所有剩余目标星系的预期红移误差和红移偏移（或偏差）来实现的。我们发现，即使在训练样本量有限的情况下，偏差和误差的预测值与真实值的偏差也小于 10-30%。我们构建了一个假想的后续巡天，发现与 SDSS 或随机目标选择算法相比，部分 ML 目标选择算法仅需 2-3 倍少的观测时间即可获得相同的红移预测能力。所需后续观测资源的减少将允许改变后续观测策略，例如获取更深的光谱数据，从而改善 ML 对更深测试数据的红移估计。
引用
@article{arxiv.1508.06280,
title = {Tuning target selection algorithms to improve galaxy redshift estimates},
author = {Ben Hoyle and Kerstin Paech and Markus Michael Rau and Stella Seitz and Jochen Weller},
journal= {arXiv preprint arXiv:1508.06280},
year = {2016}
}
备注
16 pages, 9 figures, updated to match MNRAS accepted version. Minor text changes, results unchanged