[論文レビュー] Towards an Automated Classification of Transient Events in Synoptic Sky Surveys

S. G. Djorgovski, C. Donalek+7 more|arXiv (Cornell University)|Oct 20, 2011

Remote Sensing and LiDAR Applications被引用数 13

ひとこと要約

本論文は、希薄で多様なデータを扱うためにベイズ的手法を用いることで、合成天球スカイサーベイの瞬間的イベントをリアルタイムで反復的分類する機械学習駆動のシステムを提示する。主なイノベーションは、分類の曖昧さを解消するか、天体物理学的に興味深い対象を同定するのに最も情報量の多い測定を提案することで、観測リソースを最適化する自動フォローアップ推薦エンジンである。

ABSTRACT

We describe the development of a system for an automated, iterative, real-time classification of transient events discovered in synoptic sky surveys. The system under development incorporates a number of Machine Learning techniques, mostly using Bayesian approaches, due to the sparse nature, heterogeneity, and variable incompleteness of the available data. The classifications are improved iteratively as the new measurements are obtained. One novel feature is the development of an automated follow-up recommendation engine, that suggest those measurements that would be the most advantageous in terms of resolving classification ambiguities and/or characterization of the astrophysically most interesting objects, given a set of available follow-up assets and their cost functions. This illustrates the symbiotic relationship of astronomy and applied computer science through the emerging discipline of AstroInformatics.

研究の動機と目的

• 合成天球スカイサーベイが生成する膨大で複雑かつノイズの多いデータセットから、リアルタイムで瞬間的天体的イベントを分類する課題に対処する。
• 確率的機械学習を用いて、瞬間的光曲線および複数エポック観測におけるデータの希薄性、多様性、不完全性を克服する。
• 新しいデータが順次得られるにつれて予測を改善する反復的分類システムを構築する。
• 分類の明確さや科学的価値を最大化する測定に向かって、観測リソースを効率的に誘導する自動フォローアップ推薦エンジンを統合する。
• アストロインフォマティクスという新興分野を通じて、天文学とコンピュータサイエンスの協働を促進し、スケーラブルでデータ駆動型の発見を可能にする。

提案手法

• 希薄で不完全なデータの条件下で、瞬間的イベント分類をモデル化するためのベイズ推論技術を採用する。
• 新しい光度測定または分光測定が得られるたびに、反復的学習により分類を更新する。
• 観測資産（例：望遠鏡）のコスト関数を組み込み、情報量の高い観測を優先する。
• 分類の不確実性を低減するという観点から、潜在的なフォローアップ観測の影響を評価する推薦エンジンを設計する。
• 歴史的およびリアルタイムのデータを活用して、瞬間的タイプ同一定識（例：超新星、変光星）のための確率的モデルを訓練および精緻化する。
• 統計的学習およびデータマイニングの計算手法を応用し、時間領域天文学における意思決定の自動化を実現する。

実験結果

リサーチクエスチョン

• RQ1 合成天球スカイサーベイにおける瞬間的イベントは、データの希薄性や多様性がある中で、どのようにリアルタイムに分類可能か？
• RQ2 不完全なデータを伴う瞬間的イベントに対して、反復的かつ確率的分類を実現するのに最も効果的な機械学習手法は何か？
• RQ3 分類の曖昧さを解消するために、自動化されたシステムが最も情報量の多いフォローアップ観測をどのように推薦できるか？
• RQ4 コスト関数モデリングは、瞬間的イベントのフォローアップにおける観測リソース割り当てを最適化するために果たす役割は何か？
• RQ5 コンピュータサイエンスと天文学の統合は、どのように瞬間的検出および分類の効率性とスケーラビリティを向上させるか？

主な発見

• 本システムは、新しいデータが到着するたびに適応するベイズ手法を用いて、リアルタイムで反復的分類を可能にする。
• 自動フォローアップ推薦エンジンは、情報量の高い観測を効果的に優先し、分類の不確実性を低減する。
• 確率的モデリングに依存することで、合成スカイサーベイのデータに一般的に見られるデータの希薄性や不完全性に対しても、本手法は頑健である。
• アストロインフォマティクスの原則を応用することで、天文学とコンピュータサイエンスの実用的で相互に補完的な関係を実現している。
• 本システムは、ペタバイト規模の瞬間的データを生成する予定の大型合成スカイサーベイ望遠鏡（LSST）に適応可能でスケーラブルに設計されている。
• 本手法は、時間領域天文学における自律的意思決定の基盤を提供し、瞬間的科学の効率性を向上させる。