基于深度归一化流的恒星光谱无监督学习
太阳与恒星天体物理
2022-07-07 v1 天体物理仪器与方法
摘要
恒星光谱编码了关于恒星的详细信息。然而，恒星光谱学中的大多数机器学习方法都侧重于监督学习。我们引入了 Mendis，一种无监督学习方法，它采用由 Neural Spline Flows 和 GLOW 组成的归一化流来描述光谱空间的复杂分布。Mendis 的一个关键优势是，我们可以描述以恒星参数为条件的光谱条件分布，从而进一步揭示光谱的潜在结构。特别是，我们的研究表明，Mendis 能够稳健地捕获光谱中的像素相关性，从而有可能从恒星光谱中检测未知的原子跃迁。Mendis 的概率性质还能够在大型光谱巡天中严格确定异常值，而无需事先通过现有分析流程测量元素丰度。
引用
@article{arxiv.2207.02785,
title = {Unsupervised Learning for Stellar Spectra with Deep Normalizing Flows},
author = {Ioana Ciuca and Yuan-Sen Ting},
journal= {arXiv preprint arXiv:2207.02785},
year = {2022}
}
备注
6 pages, 3 figures, accepted to the ICML 2022 Machine Learning for Astrophysics workshop