基于分层贝叶斯推断的无监督瞬变光变曲线分析
天体物理仪器与方法
2015-06-19 v1 高能天体物理现象
摘要
历史上，超新星 (SNe) 和其他瞬变源类别的光变曲线研究主要集中在具有大量高信噪比观测数据的单个天体上。在广域瞬变源搜索的初期阶段，拥有详细观测数据的天体在已知超新星总体中所占比例正在下降，这种策略牺牲了数据中关于底层瞬变源群体的大部分信息。种群级建模方法通过同时拟合感兴趣瞬变子类别中所有天体的可用观测数据，充分挖掘数据以推断群体属性，并避免某些系统性偏差。我们提出了一种用于瞬变光变曲线种群级建模的新型分层贝叶斯统计模型，并讨论了使用高效哈密顿蒙特卡洛技术的实现方法。作为测试案例，我们将该模型应用于来自 Pan-STARRS1 中等深度巡天的 II P 型超新星样本，该样本包含 76 颗超新星的 18,837 次测光观测，在我们的模型下对应于具有 9,176 个参数的联合后验分布。与仅对单个光变曲线建模相比，我们的分层模型拟合提供了对与其前身星物理性质相关的光变曲线参数更严格的约束。此外，我们直接利用模型超参数评估未见光变曲线特征发生率的可能性，从而解决巡天方法中的观测偏差。我们将此建模框架视为一种无监督机器学习技术，能够最大化未来广域瞬变源搜索（如 LSST）所收集数据的科学回报。
引用
@article{arxiv.1404.3619,
title = {Unsupervised Transient Light Curve Analysis Via Hierarchical Bayesian Inference},
author = {Nathan Sanders and Michael Betancourt and Alicia Soderberg},
journal= {arXiv preprint arXiv:1404.3619},
year = {2015}
}
备注
Submitted; 10 pages, 11 figures, plus appendix with code