[論文レビュー] Mixture Models in Astronomy

Michael A. Kuhn, Eric D. Feigelson|arXiv (Cornell University)|Nov 29, 2017

Bayesian Methods and Mixture Models参考文献 44被引用数 9

ひとこと要約

本論文は、天文学におけるクラスタリング、分類、密度推定の分野で混合モデル、特にガウス分布および天体物理学的根拠に基づく分布の使用を提唱する。実際のSDSSおよびLSST調査からの例を用いて、重複する集団、空間的分布、異分散誤差を伴う複雑なデータを扱う際の有効性を示し、ヒューリスティックな手法に比べて対象物の分類とモデル選択の質を向上させる役割を強調している。

ABSTRACT

Mixture models combine multiple components into a single probability density function. They are a natural statistical model for many situations in astronomy, such as surveys containing multiple types of objects, cluster analysis in various data spaces, and complicated distribution functions. This chapter in the CRC Handbook of Mixture Analysis is concerned with astronomical applications of mixture models for cluster analysis, classification, and semi-parametric density estimation. We present several classification examples from the literature, including identification of a new class, analysis of contaminants, and overlapping populations. In most cases, mixtures of normal (Gaussian) distributions are used, but it is sometimes necessary to use different distribution functions derived from astrophysical experience. We also address the use of mixture models for the analysis of spatial distributions of objects, like galaxies in redshift surveys or young stars in star-forming regions. In the case of galaxy clustering, mixture models may not be the optimal choice for understanding the homogeneous and isotropic structure of voids and filaments. However, we show that mixture models, using astrophysical models for star clusters, may provide a natural solution to the problem of subdividing a young stellar population into subclusters. Finally, we explore how mixture models can be used for mathematically advanced modeling of data with heteroscedastic uncertainties or missing values, providing two example algorithms, the measurement error regression model of Kelly (2007) and the Extreme Deconvolution model of Bovy et al. (2011). The challenges presented by astronomical science, aided by the public availability of catalogs from major surveys and missions, are a rich area for collaboration between statisticians and astronomers.

研究の動機と目的

• 混合モデルが複雑な天文学的分類およびクラスタリング問題を解決する上で有効であることを示すこと。
• 多変数空間におけるヒューリスティック的・主観的な分類手法に比べ、混合モデルがどのように改善をもたらすかを示すこと。
• パラメトリック混合モデルとモデル選択基準（例：BIC）を用いることで、大規模な天文学的調査における安定的かつ再現可能なクラスタリングを促進すること。
• 統計的手法と天体物理学的知識の統合により、空間的および光度的分布をモデル化する役割を強調すること。
• 現代の調査における公開データと実応用を提示することで、統計学者と天文学者の間の協働を促進すること。

提案手法

• ガウス混合モデルを、銀河の線スペクトル特性などの多変数パラメータ空間における天体の分類に適用すること。
• ベイズ情報量基準（BIC）などのモデル選択基準を用いて、混合モデルのコンポーネント数を客観的に決定すること。
• 星の質量や銀河の明るさなどの物理的量をモデル化するために、天体物理学的動機付けに基づく分布（例：対数正規分布、ガンマ分布、パレート分布）を適応すること。
• Kelly（2007）の測定誤差回帰モデルおよびBovyら（2011）のエクストリームデコンボリューションを用いて、天文学的データに見られる異分散誤差を処理すること。
• 星団形成の天体物理学的モデルを用いて、若い星団集団をサブクラスタに分割する空間的混合モデルの適用。
• SDSS や LSST などの大規模調査データおよび公開カタログを活用して、混合モデル手法の検証と応用を実施すること。

実験結果

リサーチクエスチョン

• RQ1 従来のヒューリスティック手法に比べ、混合モデルは発光線特性に基づく銀河分類をどのように改善するか？
• RQ2 天文学的調査における重複する集団が存在する状況下で、混合モデルはどのように安定的かつ再現可能なクラスタリング結果を提供するか？
• RQ3 星の質量や銀河の明るさなどの物理的量の分布をモデル化する際、混合モデルはどのように天体物理学的事前分布を統合できるか？
• RQ4 特に若い星形成領域や赤方偏移調査において、混合モデルは星や銀河の空間的分布を分析する上で果たす役割は何か？
• RQ5 高度な混合モデル手法は、大規模天文学的データセットにおける測定誤差および欠損データをどのように処理できるか？

主な発見

• ガウス混合モデルは、バルドウィ＝フィリップス＝テルレヴィッチ図における従来の3クラスタ分類を、より正確な4クラスタ構造に改善した。
• BICによるモデル選択は、『友達の友達』などの主観的または非パラメトリッククラスタリング手法に比べ、より安定的かつ再現可能なコンポーネント数をもたらした。
• 天体物理学的事前分布を用いた混合モデルは、若い星団集団の自然なサブクラスタ分割を可能にし、星形成領域の分析を向上させた。
• エクストリームデコンボリューションおよび測定誤差回帰モデルの適用により、天文学的光度測定や分光法で一般的に見られる異分散誤差を伴うデータに対しても、頑健な推論が可能になった。
• 広く使用されているにもかかわらず、多くの天文学者は混合モデルを名前で認識していないため、統計的手法への理解を深め、統計学者との協働を促進する必要がある。
• SDSS や LSST のような調査から得られる公開カタログは、混合モデル手法の検証と発展に適した豊富で大規模なデータセットを提供している。