CIGALE 星系光谱的无监督分类
星系天体物理
2022-07-13 v1 宇宙学与河外天体物理
天体物理仪器与方法
摘要
目的。本研究旨在深入探究无监督分类算法（称为 Fisher-EM）用于星系光谱时的能力与局限。该算法在判别性潜在子空间中使用高斯混合。为此，我们考察该算法对用于生成模拟光谱的物理参数的区分能力，以及噪声对分类的影响。方法。利用代码 CIGALE 并采用表征恒星星族的九个输入参数的不同取值，我们模拟了包含 496 个单色流量的 11 475 条星系光学光谱样本。统计模型与最优簇数由 Fisher-EM 中的积分完全似然（ICL）准则给出。我们多次重复分析以评估结果的鲁棒性。结果。在无噪声光谱情形下可区分出两种分类。超过 13 个簇的分类在加入噪声后消失，而 12 个簇的分类在信噪比（SNR）低至 3 时仍对噪声非常鲁棒。在 SNR=1 时，最优为 5 个簇，但分类仍与此前兼容。用于模拟的参数分布显示出类间极好的区分度。每个类内光谱及参数分布的更高离散性使我们得出结论：尽管 ICL 高得多，无噪声情形下超过 13 个簇的分类在物理上并不相关。结论。本研究得出至少对 Fisher-EM 算法成立的两条结论。首先，星系光谱的无监督分类既可靠又对噪声鲁棒。其次，此类分析能够提取光谱中包含的有用物理信息并构建高度有意义的分类。在数据为王的天体物理学时代，信任无需训练样本（其不可避免存在偏倚）的无监督机器学习方法十分重要。
引用
@article{arxiv.2205.09344,
title = {Unsupervised classification of CIGALE galaxy spectra},
author = {J Dubois and D Fraix-Burnet and J Moultaka and P Sharma and D Burgarella},
journal= {arXiv preprint arXiv:2205.09344},
year = {2022}
}
备注
Astronomy and Astrophysics - A&A, EDP Sciences, In press