使用多示例学习进行可解释的太阳耀斑预测
太阳与恒星天体物理
2022-11-21 v2 天体物理仪器与方法
机器学习
摘要
在这项工作中，我们利用来自NASA的IRIS卫星的弱标记光谱数据集，使用多示例学习（MIL）范式预测太阳耀斑。标准监督学习模型期望每个实例都有标签，而MIL放宽了这一要求，仅考虑实例包被标记。这非常适用于由沿仪器狭缝测量的UV光谱包时间序列组成的IRIS数据的耀斑预测。特别地，我们考虑Mg II h&k谱线周围的读出窗口，其编码了太阳色球层动力学的信息。我们的MIL模型不仅能够以约90%的准确率预测未来25分钟内是否发生耀斑，还能够解释哪些光谱轮廓对其包级预测特别重要。该信息可用于实时突出正在进行的IRIS观测中的感兴趣区域，并识别典型的耀斑前兆光谱轮廓候选。我们使用k-means聚类提取似乎与耀斑预测相关的光谱轮廓组。恢复出的组显示出高强度、三重态红翼发射以及单峰h和k谱线，正如先前工作所发现的。它们似乎与已在报道中发生于耀斑前数十分钟的小尺度爆发事件有关。
引用
@article{arxiv.2203.13896,
title = {Using Multiple Instance Learning for Explainable Solar Flare Prediction},
author = {Cédric Huwyler and Martin Melchior},
journal= {arXiv preprint arXiv:2203.13896},
year = {2022}
}