[論文レビュー] Using a Neural Network Classifier to Select Galaxies with the Most Accurate Photometric Redshifts

Adam Broussard, Eric Gawiser|arXiv (Cornell University)|Aug 30, 2021

Galaxies: Formation, Evolution, Phenomena参考文献 74被引用数 3

ひとこと要約

本論文では、LSSTのような大規模な調査から、最も正確な光度赤方偏移をもつ銀河を選別するためのカスタムニューラルネットワーク分類器（NNC）を提案する。TPZでフィットした赤方偏移と光度的特徴量を用いて訓練することで、標準的な光度赤方偏移の不確実性を超えて外れ値の割合と散乱（σz）を低減し、上位3分の1の銀河を選別する際、外れ値率が35%低減され、σzが23%低減された。

ABSTRACT

The Vera C. Rubin Observatory Legacy Survey of Space and Time (LSST) will produce several billion photometric redshifts (photo-$z$'s), enabling cosmological analyses to select a subset of galaxies with the most accurate photo-$z$. We perform initial redshift fits on Subaru Strategic Program galaxies with deep $grizy$ photometry using Trees for Photo-Z (TPZ) before applying a custom neural network classifier (NNC) tuned to select galaxies with $(z_\mathrm{phot} - z_\mathrm{spec})/(1+z_\mathrm{spec}) < 0.10$. We consider four cases of training and test sets ranging from an idealized case to using data augmentation to increase the representation of dim galaxies in the training set. Selections made using the NNC yield significant further improvements in outlier fraction and photo-$z$ scatter ($\sigma_z$) over those made with typical photo-$z$ uncertainties. As an example, when selecting the best third of the galaxy sample, the NNC achieves a 35% improvement in outlier rate and a 23% improvement in $\sigma_z$ compared to using uncertainties from TPZ. For cosmology and galaxy evolution studies, this method can be tuned to retain a particular sample size or to achieve a desired photo-$z$ accuracy; our results show that it is possible to retain more than a third of an LSST-like galaxy sample while reducing $\sigma_z$ by a factor of two compared to the full sample, with one-fifth as many photo-$z$ outliers. For surveys like LSST that are not limited by shot noise, this method enables a larger number of tomographic redshift bins and hence a significant increase in the total signal-to-noise of galaxy angular power spectra.

研究の動機と目的

• LSSTのような大規模銀河調査における光度赤方偏移の正確性を、信頼性の高い赤方偏移推定値を持つ銀河の選別によって向上させること。
• 光度赤方偏移の高い外れ値割合と散乱が、宇宙論的クラスタリング測定を劣化させることへの挑戦に応えること。
• 再トレーニングやテンプレート選択を必要とせず、既存の光度赤方偏移コードを強化する後処理手法を開発すること。
• データ拡張とニューラルネットワークフィルタリングが、元の銀河サンプルの大部分を保持したまま、サンプル品質を顕著に向上させられることを示すこと。

提案手法

• NNCは、TPZでフィットした赤方偏移と光度的特徴量を入力とし、(zphot − zspec)/(1 + zspec) < 0.10 を満たす銀河を識別するように訓練される。
• NNCは、明るくない銀河の表現を向上させるためにデータ拡張を施した4つのトレーニング/テストセット設定を用いて訓練される。
• 4層の順方向ニューラルネットワーク（[100, 200, 100, 50]ニューロン）を用い、正確な赤方偏移選別に適した信頼度スコアを出力するためのシグモイド出力を使用する。
• NNCは、TPZ や BPZ といった既存の光度赤方偏移コードに後処理として適用され、元のフィッティングプロセスを変更せずに選別を精緻化する。
• TPZ出力の系統的誤差を補正するためのニューラルネットワーク回帰器（NNR）が検証されたが、本研究では有意な改善が得られなかった。
• 性能評価は、1% から 100% のさまざまなサンプル率（fsample）において、外れ値率、NMAD、σz といった指標を用いて行われた。

実験結果

リサーチクエスチョン

• RQ1 標準的な不確実性に基づくカットを超えて、ニューラルネットワーク分類器が外れ値率と散乱（σz）を顕著に低減できるか？
• RQ2 特に明るくない銀河に対してデータ拡張を施すことで、NNCが高精度な光度赤方偏移銀河の選別性能にどのような影響を与えるか？
• RQ3 TPZ や BPZ といった異なる光度赤方偏移コードに適用した場合、NNCが光度赤方偏移の正確性をどの程度向上できるか？
• RQ4 TPZ出力の系統的誤差を補正する前処理用のニューラルネットワーク回帰器（NNR）を追加することで、選別性能に測定可能な改善が得られるか？
• RQ5 NNCの性能を外れ値の除外とσzの低減の観点から最大化するための最適なトレーニングサンプルサイズは何か？

主な発見

• 上位3分の1の銀河を選別する際、NNCはTPZの不確実性に基づく選別と比較して、外れ値率を35%低減し、σzを23%低減した。
• サンプルの上位3分の1を選別する際、NNCはTPZが報告する不確実性に基づく選別と比較して、外れ値率で35%、σzで23%の改善を達成した。
• Match → COSMOS2015のケースにおいて、約50,000個の銀河（トレーニングセットの30%）を用いた訓練で、外れ値除外の性能が最大に達することが示された。
• 光度赤方偏移誤差のNMADは、トレーニングサンプルサイズの増加に伴い単調かつ段階的に改善され、より大きなデータセットでさらなる向上が期待できることが示唆された。
• BPZでフィットした赤方偏移にNNCを適用した場合、TPZベースの選別と同等の外れ値率とσz性能を達成したが、NMADに約0.008の定数オフセットが生じた。
• TPZの系統的誤差を補正するためのNNRの追加は、意味的な改善をもたらさず、最終パイプラインから除外された。