利用不同来源的 ground truth 和迁移学习提高光谱红移估计的泛化性

本文探讨了提高银河系红移预测准确性的方法，通过组合不同的 ground truth。传统机器学习模型依赖具有已知光谱红移的训练集，这些红移精确但仅代表银河系样本的有限部分。为使红移模型更具针对更广泛银河系总体的可泛化性，我们研究了迁移学习和直接组合来自光度和光谱所得红移的 ground truth。我们使用 COSMOS2020 调查创建了一个数据集 TransferZ，其中包括来自最高多达 35 个成像滤镜的光度红移估计。该数据集涵盖的银河类型和颜色的范围比光谱样本更广泛，尽管其红移估计不够精确。我们首先在 TransferZ 上训练一个基准神经网络，然后在具有更精确光谱红移的银河系数据集（GalaxiesML）上进行迁移学习。此外，我们在 TransferZ 和 GalaxiesML 的组合数据集上训练神经网络。这两种方法将基准模型（仅在 TransferZ 上训练）相比，使偏差降低约 5 倍，均方根误差降低约 1.5 倍，灾难性离群值率降低 1.3 倍。然而，我们也发现对 TransferZ 数据的评估会导致均方根误差和偏差的下降。总体而言，我们的结果表明，这些方法可以满足 cosmological requirements。