[논문 리뷰] Estimating Spectroscopic Redshifts by Using k Nearest Neighbors Regression I. Description of Method and Analysis

S. D. Kügler, Kai Polsterer외 1명|arXiv (Cornell University)|2014. 09. 30.

Gamma-ray bursts and supernovae참고 문헌 20인용 수 4

한 줄 요약

이 논문은 천체 스펙트럼에서 모델에 의존하지 않는 스펙트럼 적색편이 추정을 위한 k-최근접 이웃(k-NN) 회귀 방법을 소개한다. 이는 템플릿 피팅이 아닌 특성 영역 내 局소 유사성에 기반한다. 약 90%의 완전성과 SDSS와 비교할 만한 정밀도를 달성하며, 다중 적색편이 성분을 가진 14개 스펙트럼을 식별하여, 템플릿 기반 파ip라인에 대비 강력하고 데이터 기반의 대안을 제시한다.

ABSTRACT

Context: In astronomy, new approaches to process and analyze the exponentially increasing amount of data are inevitable. While classical approaches (e.g. template fitting) are fine for objects of well-known classes, alternative techniques have to be developed to determine those that do not fit. Therefore a classification scheme should be based on individual properties instead of fitting to a global model and therefore loose valuable information. An important issue when dealing with large data sets is the outlier detection which at the moment is often treated problem-orientated. Aims: In this paper we present a method to statistically estimate the redshift z based on a similarity approach. This allows us to determine redshifts in spectra in emission as well as in absorption without using any predefined model. Additionally we show how an estimate of the redshift based on single features is possible. As a consequence we are e.g. able to filter objects which show multiple redshift components. We propose to apply this general method to all similar problems in order to identify objects where traditional approaches fail. Methods: The redshift estimation is performed by comparing predefined regions in the spectra and applying a k nearest neighbor regression model for every predefined emission and absorption region, individually. Results: We estimated a redshift for more than 50% of the analyzed 16,000 spectra of our reference and test sample. The redshift estimate yields a precision for every individually tested feature that is comparable with the overall precision of the redshifts of SDSS. In 14 spectra we find a significant shift between emission and absorption or emission and emission lines. The results show already the immense power of this simple machine learning approach for investigating huge databases such as the SDSS.

연구 동기 및 목표

• SDSS와 같은 대규모 천체학적 데이터베이스에서 모델에 의존하지 않고 데이터 기반으로 스펙트럼 적색편이를 추정하는 방법을 개발한다.
• SDSS 파이프라인에서 계산된 적색편이를 유사성 기반 접근법으로 검증하고 교차 확인한다.
• 템플릿 피팅이 놓칠 수 있는 복잡한 적색편이 특징(예: 다중 성분)을 가진 이상치나 물체를 탐지한다.
• 사전 정의된 템플릿에 의존하지 않고 알려지지 않은 또는 희귀한 스펙트럼 유형에 대해 정밀한 적색편이 추정을 가능하게 한다.
• 전체 SDSS 스펙트럼 데이터베이스에 통계적 학습을 적용하여 가치 증대형 적색편이 카탈로그의 기초를 마련한다.

제안 방법

• 해당 방법은 사전 정의된 스펙트럼 영역(예: 발광선 또는 흡수선)에 대해 독립적으로 k-NN 회귀를 적용하며, 각 영역을 특성 벡터로 간주한다.
• 각 스펙트럼에 대해 알고리즘은 국소 스펙트럼 특성에 기반해 기준 샘플에서 k개의 가장 유사한 스펙트럼을 식별한다.
• 특성 공간 내 유사성 지표를 사용하여 k개의 가장 가까운 이웃의 적색편이를 가중 회귀함으로써 적색편이를 추정한다.
• 이 접근법은 각 스펙트럼 특성에 대해 개별 적색편이 추정이 가능하게 하여, 한 개의 물체에서 다중 적색편이 성분을 탐지할 수 있다.
• 스펙트럼 사전 처리에는 연속기준화 및 노이즈 처리가 포함되며, 특성 추출은 발광선/흡수선 영역에 맞게 조정된다.
• 두 가지 변형을 사용한다: 전반적인 스펙트럼 유사성 기반과 국소적 특성 영역 기반으로, 완전성과 민감도 사이의 상충 관계가 있다.

실험 결과

연구 질문

• RQ1 k-NN 회귀는 SDSS 파이프라인의 템플릿 피팅 방법과 비교해 정확하고 모델에 의존하지 않는 적색편이 추정을 제공할 수 있는가?
• RQ2 k의 값, 특성 영역, 기준 샘플의 선택이 적색편이 추정의 완전성과 정밀도에 어떤 영향을 미치는가?
• RQ3 이 방법은 템플릿 피팅이 놓칠 수 있는 다중 적색편이 성분을 가진 스펙트럼 물체를 탐지할 수 있는가?
• RQ4 SDSS 파이프라인 결과를 독립적으로 검증함으로써 이 방법이 적색편이 신뢰도를 어느 정도 향상시키는가?
• RQ5 이 방법은 이상치 탐지에서 이상치 감지 민감도와 임의의 양성 결과 사이의 균형을 어떻게 조정할 수 있는가?

주요 결과

• 분석된 16,000개 스펙트럼 샘플에서 약 90%의 완전성을 달성하여, SDSS 파이프라인의 96% 완전성에 근접한다.
• 개별 스펙트럼 특성에 대한 적색편이 추정의 정밀도는 SDSS 적색편이의 총합 정밀도와 비교할 만하다.
• 이 방법은 발광선과 흡수선 사이의 상당한 이격 또는 발광선 간의 이격을 보이는 14개의 스펙트럼을 성공적으로 식별하여 잠재적인 다중 적색편이 성분을 시사한다.
• 국소적 특성 기반 접근법은 전반적 스펙트럼 기반 접근법보다 더 높은 완전성을 달성했지만, 방법론적 오류 위험이 증가했다.
• 간단한 기계학습 방법인 k-NN이 사전 정의된 템플릿에 의존하지 않고도 대규모 스펙트럼 데이터베이스에서 신뢰할 수 있는 적색편이를 효과적으로 추출할 수 있음을 입증한다.
• 이 방법은 향후 대규모 설문조사에 적용할 잠재력과 템플릿 피팅에 의존하지 않는 가치 증대형 적색편이 카탈로그 제작에 매우 유망하다.