[論文レビュー] Nonsequential neural network for simultaneous, consistent classification, and photometric redshifts of OTELO galaxies

J. A. de Diego, Jakub Nadolny+18 more|arXiv (Cornell University)|Nov 19, 2021

Advanced Statistical Methods and Models参考文献 85被引用数 3

ひとこと要約

この論文では、OTELO調査の銀河の光学的・近赤外光度測定を用いて、非逐次的ニューラルネットワークを導入し、同時に形態分類と光度赤方偏移推定を実行する手法を提案する。分類結果を赤方偏移予測タスクに転送することで、深刻な赤方偏移外れ値を低減し、一貫性を向上させ、従来のSEDフィッティングと比較して平均光度赤方偏移誤差を半分に削減した。

ABSTRACT

Context. Computational techniques are essential for mining large databases produced in modern surveys with value-Added products. Aims. This paper presents a machine learning procedure to carry out a galaxy morphological classification and photometric redshift estimates simultaneously. Currently, only a spectral energy distribution (SED) fitting has been used to obtain these results all at once. Methods. We used the ancillary data gathered in the OTELO catalog and designed a nonsequential neural network that accepts optical and near-infrared photometry as input. The network transfers the results of the morphological classification task to the redshift fitting process to ensure consistency between both procedures. Results. The results successfully recover the morphological classification and the redshifts of the test sample, reducing catastrophic redshift outliers produced by an SED fitting and avoiding possible discrepancies between independent classification and redshift estimates. Our technique may be adapted to include galaxy images to improve the classification.

研究の動機と目的

• 大規模な調査において、独立して実行される銀河の形態分類と光度赤方偏移推定の不整合を解消すること。
• SEDフィッティングで一般的に見られる深刻な赤方偏移外れ値を、形態分類を事前知識として活用することで低減すること。
• 銀河の性質推定における正確性と一貫性を向上させる統合的ディープラーニングフレームワークの開発。
• 現代の全天スキャン調査から得られる大規模な光度データセットのスケーラブルかつ自動化された解析を可能にすること。
• 今後のモデルにおいて画像データを統合する基盤を築くこと。

提案手法

• 光学的および近赤外光度測定を入力として処理する非逐次的ニューラルネットワークアーキテクチャを設計した。
• 形態分類の結果が赤方偏移予測ヘッドにフィードバックされる共有表現を用い、一貫性を強制した。
• ラベル付きの形態クラスと赤方偏移のスペクトロスコピック値を用いて、OTELOカタログ上でエンドツーエンドに訓練した。
• 順次処理を避けることで、タスク間の情報伝達を可能にし、一般化性能を向上させ、誤差伝搬を低減した。
• チルダー、ガス、大気的要因に敏感なSEDテンプレートフィッティングへの依存度を低減した。
• 将来的には銀河画像を含める拡張性をフレームワークに備えた。

実験結果

リサーチクエスチョン

• RQ1 1つのディープラーニングモデルが、同時にかつ一貫して銀河の形態クラスと光度赤方偏移を予測できるか？
• RQ2 分類結果を赤方偏移予測に転送することで、正確性が向上し外れ値が減少するか？
• RQ3 この手法は、光度赤方偏移誤差の観点から、従来のSEDテンプレートフィッティングをどの程度上回るか？
• RQ4 形態タイプごとの不均衡なトレーニングサンプルに対して、モデルはどのように対処するか？
• RQ5 画像データを統合することで、分類性能を向上させられるか？

主な発見

• モデルはOTELOテストサンプルにおいて、高い一貫性で形態分類と光度赤方偏移を回復した。
• 標準的なSEDテンプレートフィッティングと比較して、平均光度赤方偏移誤差が半分に削減された。
• 深刻な赤方偏移外れ値の数が顕著に減少し、宇宙論的研究における信頼性が向上した。
• 非逐次的設計により、分類から赤方偏移予測への効果的な情報伝達が可能となり、全体的な性能が向上した。
• 特に出力同士の整合性が重要な分野において、天文学におけるディープラーニングによる連合予測の実現可能性を示した。
• 画像データの統合による拡張が、らせん銀河の姿勢効果を分離することで、分類精度のさらなる向上に有望であることを示した。