[논문 리뷰] Mixture Models in Astronomy

Michael A. Kuhn, Eric D. Feigelson|arXiv (Cornell University)|2017. 11. 29.

Bayesian Methods and Mixture Models참고 문헌 44인용 수 9

한 줄 요약

이 논문은 천문학에서 군집 분석, 분류, 밀도 추정을 위해 혼합 모형—특히 가우시안 및 천체물리학적으로 유용한 분포—의 사용을 지지한다. 이는 실제 SDSS 및 LSST 설문조사의 사례를 들어, 겹치는 인구 집단, 공간 분포, 이방성 오차를 가진 복잡한 자료를 다루는 데에 그 효과성을 입증하며, 히وري스틱 방법에 비해 물체 분류와 모형 선택을 향상시키는 데서 그 역할을 부각시킨다.

ABSTRACT

Mixture models combine multiple components into a single probability density function. They are a natural statistical model for many situations in astronomy, such as surveys containing multiple types of objects, cluster analysis in various data spaces, and complicated distribution functions. This chapter in the CRC Handbook of Mixture Analysis is concerned with astronomical applications of mixture models for cluster analysis, classification, and semi-parametric density estimation. We present several classification examples from the literature, including identification of a new class, analysis of contaminants, and overlapping populations. In most cases, mixtures of normal (Gaussian) distributions are used, but it is sometimes necessary to use different distribution functions derived from astrophysical experience. We also address the use of mixture models for the analysis of spatial distributions of objects, like galaxies in redshift surveys or young stars in star-forming regions. In the case of galaxy clustering, mixture models may not be the optimal choice for understanding the homogeneous and isotropic structure of voids and filaments. However, we show that mixture models, using astrophysical models for star clusters, may provide a natural solution to the problem of subdividing a young stellar population into subclusters. Finally, we explore how mixture models can be used for mathematically advanced modeling of data with heteroscedastic uncertainties or missing values, providing two example algorithms, the measurement error regression model of Kelly (2007) and the Extreme Deconvolution model of Bovy et al. (2011). The challenges presented by astronomical science, aided by the public availability of catalogs from major surveys and missions, are a rich area for collaboration between statisticians and astronomers.

연구 동기 및 목표

• 혼합 모형이 복잡한 천체물리학적 분류 및 군집 문제를 해결하는 데에 유용함을 입증하는 것.
• 다차원 자료 공간에서 히وري스틱적이고 주관적인 분류 방법에 비해 혼합 모형이 어떻게 개선되는지 보여주는 것.
• 안정적이고 재현 가능한 군집화를 위한 모형 선택 기준(예: BIC)을 사용한 매개변수 혼합 모형의 사용을 촉진하는 것.
• 통계적 방법론과 천체물리학 지식의 통합을 통해 공간적 및 광학적 분포를 모델링하는 데서의 역할을 부각하는 것.
• 최신 설문조사에서의 공개된 자료와 실제 적용 사례를 통해 통계학자들과의 협업을 장려하는 것.

제안 방법

• 은하의 발광선 특성과 같은 다차원 매개변수 공간에서 천체 물체를 분류하기 위해 유한한 가우시안 혼합 모형을 적용하는 것.
• 혼합 모형의 구성 요소 수를 객관적으로 결정하기 위해 베이지안 정보 기준(BIC)과 같은 모형 선택 기준을 사용하는 것.
• 은하 질량이나 은하 빛의 세기와 같은 물리적 양을 모델링하기 위해 천체물리학적으로 유용한 분포(예: 로그노멀, 감마, 파레토)를 적응하는 것.
• 이방성 불확실성을 다루기 위해 켈리(2007)의 측정 오차 회귀 모형과 보비 등(2011)의 극단적 탈구분(Extreme Deconvolution)을 구현하는 것.
• 은하 형성의 천체물리학적 모형을 사용하여 청소년성 별 집단을 하위 군집으로 분할하기 위해 공간 혼합 모형을 적용하는 것.
• SDSS, LSST 등 대규모 설문조사 자료와 공개된 카탈로그를 활용하여 혼합 모형 기법을 검증하고 적용하는 것.

실험 결과

연구 질문

• RQ1 기존의 히وري스틱 방법에 비해 혼합 모형은 발광선 특성에 기반한 은하 분류를 어떻게 향상시킬 수 있는가?
• RQ2 천체 설문조사에서 겹치는 인구 집단이 존재하는 상황에서 혼합 모형은 어떻게 안정적이고 재현 가능한 군집 결과를 제공할 수 있는가?
• RQ3 은하 질량이나 은하 빛의 세기와 같은 물리적 양의 분포를 모델링할 때 혼합 모형은 어떻게 천체물리학적 사전 지식을 통합할 수 있는가?
• RQ4 혼합 모형은 특히 청소년성 별 형성 영역이나 적색이동 설문조사에서 별과 은하의 공간 분포를 분석하는 데에서 어떤 역할을 하는가?
• RQ5 고급 혼합 모형 기법은 대규모 천체 자료에서 측정 오차와 누락 데이터를 어떻게 다룰 수 있는가?

주요 결과

• 가우시안 혼합 모형은 발달-필립스-테르레비치 다이어그램에서 기존의 3개 군집 분류를 더 정확한 4개 군집으로 개선하는 데 성공했다.
• BIC를 통한 모형 선택은 '친구의 친구'와 같은 주관적 또는 비모형 기반 군집 방법보다 더 안정적이고 재현 가능한 구성 요소 수를 도출했다.
• 천체물리학적 사전 지식을 반영한 혼합 모형은 청소년성 별 집단을 자연스럽게 하위 군집으로 나누어, 별 형성 영역 분석을 향상시켰다.
• 극단적 탈구분과 측정 오차 회귀 모형의 적용은 천체 광학 및 스펙트로스코피에서 흔히 나타나는 이방성 불확실성을 가진 자료에서 견고한 추론을 가능하게 했다.
• 광범위하게 사용되고 있음에도 불구하고 천문학자들은 종종 혼합 모형을 이름으로 인식하지 못하고 있어, 통계학자들과의 협업과 방법론적 인식 향상의 필요성이 드러났다.
• SDSS 및 LSST와 같은 설문조사에서의 공개 카탈로그는 혼합 모형 기법의 테스트와 발전에 이상적인 대규모 데이터셋을 제공한다.