基于去噪自编码器的星系谱能量分布无监督特征学习
天体物理仪器与方法
2017-07-12 v1 星系天体物理
摘要
随着深度多波长星系巡天数量的增加，星系的谱能量分布（SED）已成为研究其结构形成和演化的宝贵工具。在此背景下，标准分析依赖于基于少数SED颜色的简单光谱-测光选择标准。如果这种完全监督的分类已经取得了明确成就，但它不是从数据中提取相关信息的最优方法。在本文中，我们提议采用机器学习的最新进展，更确切地说是特征学习，来推导数据驱动的图表。我们展示了基于去噪自编码器的提议方法以无监督方式恢复了星系群体的双模态，无需使用任何关于星系SED分类的先验知识。该技术已与主成分分析（PCA）和标准的颜色/颜色表示进行了比较。此外，初步结果表明这能捕获额外的具有物理意义的信息，如红移依赖、星系质量演化和比恒星形成率（sSFR）的变化。PCA也产生了具有物理属性（如质量和sSFR）的无监督表示，尽管这种表示分离出的其他特征（双模态、红移演化）少于去噪自编码器。
引用
@article{arxiv.1705.05620,
title = {Unsupervised feature-learning for galaxy SEDs with denoising autoencoders},
author = {Joana Frontera-Pons and Florent Sureau and Jerome Bobin and Emeric Le Floc'h},
journal= {arXiv preprint arXiv:1705.05620},
year = {2017}
}
备注
11 pages and 15 figures. To be published in A&A