[論文レビュー] The VIMOS Public Extragalactic Redshift Survey (VIPERS). Unsupervised classification with photometric redshifts: a method to accurately classify large galaxy samples without spectroscopic information

M. Siudek, K. Małek+36 more|arXiv (Cornell University)|May 24, 2018

Astronomy and Astrophysical Research参考文献 4被引用数 10

ひとこと要約

本論文は、赤方偏移 z ~ 0.7 の銀河を分類するための教師なし機械学習手法を提示しており、スペクトロスコピー分類と同等の精度を達成する。Fisher期待最大化（FEM）アルゴリズムは、赤、緑、青、外れ値の4つの主要クラスを高精度で同定し、赤銀河では92%、青/緑クラスの統合では96%の精度を達成した。これは、光度的データのみで、Euclid や LSST のような大規模な宇宙背景調査においても、強固な銀河分類が可能であることを示している。

ABSTRACT

Techniques to classify galaxies solely based on photometry will be necessary for future large cosmology missions, such as Euclid or LSST. However, the precision of classification is always lower in photometric surveys and can be systematically biased with respect to classifications based upon spectroscopic data. We verified how precisely the detailed classification scheme introduced by Siudek et al. (2018, hereafter: S1) for galaxies at z~0.7 could be reproduced if only photometric data are available. We applied the Fisher Expectation-Maximization (FEM) unsupervised clustering algorithm to 54,293 VIPERS galaxies working in a parameter space of reliable photometric redshifts and 12 corresponding rest-frame magnitudes. The FEM algorithm distinguishes four main groups: (1) red, (2) green, (3) blue, and (4) outliers. Each group is further divided into 3, 3, 4, and 2 subclasses, respectively. The accuracy of reproducing galaxy classes using spectroscopic data is high: 92%, 84%, 96% for red, green, and blue classes, respectively, except for dusty star-forming galaxies. The presented verification of the photometric classification demonstrates that large photometric samples can be used to distinguish different galaxy classes at z > 0.5 with an accuracy provided so far only by spectroscopic data except for particular galaxy classes.

研究の動機と目的

• スペクトロスコピーのデータに依存せずに、大規模銀河サンプルに対して堅牢な教師なし分類手法を開発すること。
• 光度的赤方偏移と静止フレームマグニチュードが、従来スペクトロスコピーで確立された詳細な銀河分類スキームを再現できるかどうかを評価すること。
• FEMクラスタリングアルゴリズムが、光度的データのみを用いて z ~ 0.7 の銀河タイプをどれほど明確に区別できるかを評価すること。
• 例えばダストで覆われた星形成銀河のような特定のサブタイプの分類における限界を特定すること。
• 光度的分類とスペクトロスコピー分類を比較することで、光度的調査を用いた銀河進化研究の実現可能性を検証すること。

提案手法

• FEM（Fisher期待最大化）教師なしクラスタリングアルゴリズムを、VIPERS調査の 54,293 個の銀河に適用した。
• 入力特徴量には、信頼性の高い光度的赤方偏移（σ ≈ 0.03、η ≈ 2%）と、0.7 の赤方偏移範囲における12個の静止フレームマグニチュードが含まれる。
• アルゴリズムは、赤、緑、青、外れ値の4つの主要クラスを同定し、それぞれ3、3、4、2つのサブクラスにさらに細分化した。
• 分類精度は、光度的分類（PHOT）とスペクトロスコピー分類（SPEC）を比較し、誤分類行列を用いて評価した。
• この手法は事前のラベルなしに訓練され、データの統計的構造にのみ依存して自然なクラスタを発見した。
• 大規模でよくキャリブレーションされたスペクトロスコピー標本を用いて、光度的分類性能のベンチマークを実施した。

実験結果

リサーチクエスチョン

• RQ1 光度的赤方偏移を用いた教師なしクラスタリングは、従来スペクトロスコピーから導出された詳細な銀河分類スキームを再現できるか？
• RQ2 スペクトロスコピー赤方偏移がなくても、光度的データで z ~ 0.7 の銀河を赤、緑、青のタイプにどれほど正確に分類できるか？
• RQ3 例えばダストで覆われた星形成銀河やAGNのような特定の銀河サブタイプでは、光度的分類にどのような限界があるか？
• RQ4 光度的赤方偏移の精度が、教師なし学習における銀河分類の正確性にどの程度影響を与えるか？
• RQ5 事前の学習なしに、FEMアルゴリズムが大規模な光度的調査で外れ値や希少銀河タイプを信頼性高く同定できるか？

主な発見

• 光度的分類とスペクトロスコピー分類を比較した結果、FEMアルゴリズムは赤銀河クラスの再現に92%の精度を達成した。
• 青銀河と緑銀河のクラスを統合して評価した場合、96%の精度を示し、主な色ベースの区分けに強い一貫性があることが示された。
• 緑銀河クラスでは84%の精度を示したが、中間色の銀河の複雑さが原因で性能が低かった可能性がある。
• ダストで覆われた星形成銀河クラス（SPECクラス8）は、光度的分類でわずか60%の精度にとどまり、より高精度なSEDモデリングの必要性が示された。
• 広帯域AGNおよび星クラス（SPECクラス12）は、光度的分類と30%程度の一致しか示さず、光度的データでは星とAGNに似た対象が混同されやすいことが示された。
• 全体として、光度的分類はスペクトロスコピー分類と比べて顕著なバイアスを示さず、大規模な調査において本手法の堅牢性が確認された。