用于 $\gamma$ 射线天空新现象模型不可知搜索的弱监督机器学习

正如 Fermi 大面积望远镜所观测到的，$\gamma$ 射线天空包含大量未关联源，它们可能指向新的天体物理族群或更奇特的现象。机器学习方法被广泛用于源分类和新物理搜索，但大多数现有方法依赖于全监督训练，因此依赖于明确的信号模型。我们探索了弱监督分类作为一种较少依赖模型的策略，用于分析 $\gamma$ 射线源光谱。在背景对混合设置中，分类器是在具有不同信号混合比例的样本上训练的，而不是在完全标记的信号和背景事件上训练的。我们研究了三种代表性场景：作为受控基准的脉冲星-活动星系核分离、暗物质子晕的识别，以及由轴子-光子振荡引起的光谱不规则性。在每种情况下，我们都研究了信号比例和样本组成对分类性能的影响。结果表明，弱监督可以在减少训练期间对详细信号模板依赖的同时，识别出数据中异常或类似信号的子集。在有利情况下，该方法的性能接近全监督分类器，同时在信号模型不确定或仅部分指定的情况下依然适用。因此，弱监督学习为 $\gamma$ 射线数据分析和新现象搜索提供了一种互补的候选源选择和异常排序策略。