[논문 리뷰] The VIMOS Public Extragalactic Redshift Survey (VIPERS). A Support Vector Machine classification of galaxies, stars and AGNs

K. Małek, A. Solarz외 48명|arXiv (Cornell University)|2013. 03. 11.

Spectroscopy and Chemometric Analyses참고 문헌 48인용 수 34

한 줄 요약

이 논문은 VIMOS Public Extragalactic Redshift Survey (VIPERS)에서 은하, 항성, AGN을 구분하기 위해 다중 대역 광도계측(u*, g', r', i', z', Ks)을 기반으로 훈련된 서포트 벡터 머신(SVM) 분류기를 제시한다. 근적외선(NIR) 데이터를 통합함으로써, 자가 점검에서 은하에 대해 97%의 정확도, 항성에 대해 97%, AGN에 대해 95%의 정확도를 달성하여 샘플 순도를 크게 향상시키고, 저품질 스펙트럼 자료의 광도계측 분류를 가능하게 한다.

ABSTRACT

The aim of this work is to develop a comprehensive method for classifying sources in large sky surveys and we apply the techniques to the VIMOS Public Extragalactic Redshift Survey (VIPERS). Using the optical (u*, g', r', i') and NIR data (z', Ks), we develop a classifier, based on broad-band photometry, for identifying stars, AGNs and galaxies improving the purity of the VIPERS sample. Support Vector Machine (SVM) supervised learning algorithms allow the automatic classification of objects into two or more classes based on a multidimensional parameter space. In this work, we tailored the SVM for classifying stars, AGNs and galaxies, and applied this classification to the VIPERS data. We train the SVM using spectroscopically confirmed sources from the VIPERS and VVDS surveys. We tested two SVM classifiers and concluded that including NIR data can significantly improve the efficiency of the classifier. The self-check of the best optical + NIR classifier has shown a 97% accuracy in the classification of galaxies, 97 for stars, and 95 for AGNs in the 5-dimensional colour space. In the test on VIPERS sources with 99% redshift confidence, the classifier gives an accuracy equal to 94% for galaxies, 93% for stars, and 82% for AGNs. The method was applied to sources with low quality spectra to verify their classification, and thus increasing the security of measurements for almost 4 900 objects. We conclude that the SVM algorithm trained on a carefully selected sample of galaxies, AGNs, and stars outperforms simple colour-colour selection methods, and can be regarded as a very efficient classification method particularly suitable for modern large surveys.

연구 동기 및 목표

• 대규모 광도계측 설문 조사에서 천체 소스를 분류하기 위한 강력하고 자동화된 방법을 개발하기 위해.
• 은하 샘플의 순도를 향상시키기 위해 항성과 AGN과 같은 오염 물질를 정확히 식별하고 제거함으로써.
• 광학 단일 데이터와 비교하여 근적외선(NIR) 광도계측이 분류 정확도에 미치는 영향을 평가하기 위해.
• 저품질 또는 모호한 스펙트럼 적색편이를 가진 자료의 광도계측 분류를 가능하게 하기 위해.
• 미래의 갈axy 중심 설문 조사에 적용 가능한 확장 가능한, 지도 기반 기계학습 프레임워크를 제공하기 위해.

제안 방법

• SVM 분류기는 VIPERS와 VVDS의 스펙트럼적으로 확인된 소스에서 훈련되어 은하, 항성, AGN로 객체를 분류한다.
• 분류기는 u*, g', r', i', z' magnitude로 정의된 5차원 색 공간을 사용하며, Ks 대역 NIR 광도계측을 포함한 6차원 공간으로 확장된다.
• 훈련 데이터는 스펙트럼적으로 확인된 소스에서 유래하여 클래스 할당에 있어 높은 신뢰성을 확보한다.
• 모델은 훈련 샘플에 대한 자가 점검과 고적색편이 신뢰도가 높은 VIPERS 소스에 대한 테스트를 통해 검증된다.
• 성능 평가는 광학 단일 및 광학+NIR 구성에서 정확도 지표를 사용하여 평가된다.
• 분류 안정성을 향상시키기 위해 밝기 구간 나누기 기법이 포함되어 있다.

실험 결과

연구 질문

• RQ1 광학 단일 데이터와 비교하여 근적외선(NIR) 광도계측을 포함한 넓은 대역 광도계측을 사용할 때, 서포트 벡터 머신이 VIPERS 설문 조사에서 은하, 항성, AGN을 효과적으로 분류할 수 있는가?
• RQ2 광학 단일 광도계측과 비교하여 근적외선(NIR) 광도계측(z', Ks)의 포함 여부가 분류 정확도에 어떤 영향을 미치는가?
• RQ3 이 분류기가 오염 물질를 식별하고 제거함으로써 VIPERS 은하 샘플의 순도를 어느 정도 향상시킬 수 있는가?
• RQ4 다른 설문 조사 특성 조건 하에서, 기존의 방법(예: Pan-STARRS1 분류기)과 비교했을 때 이 SVM 기반 분류기의 성능은 어떠한가?
• RQ5 저품질 스펙트럼 적색편이를 가진 자료를 신뢰성 있게 분류할 수 있는가? 이는 사용 가능한 샘플 크기를 확장할 수 있다.

주요 결과

• 광학 및 NIR 광도계측(u*, g', r', i', z', Ks)을 사용하여 훈련 샘플에 대해 테스트한 결과, SVM 분류기는 은하에 대해 97%의 정확도, 항성에 대해 97%, AGN에 대해 95%의 정확도를 달성한다.
• NIR 데이터의 포함은 분류 효율성을 크게 향상시키며, 자가 점검 및 테스트 시나리오에서 광학 단일 분류기보다 뛰어난 성능을 보인다.
• 99%의 적색편이 신뢰도를 가진 VIPERS 소스에 대한 테스트에서, 분류기는 은하에 대해 94%의 정확도, 항성에 대해 93%, AGN에 대해 92%의 정확도를 달성한다.
• 광학 단일 분류기(u*, g', r', i')는 은하에 대해 94%의 정확도, AGN에 대해 82%, 항성에 대해 93%의 정확도를 기록하여, 낮은 차원의 매개변수 공간임에도 불구하고 Pan-STARRS1 분류기와 유사한 성능을 보인다.
• 향상된 성능는 u* 대역을 zP1/yP1 대역 대신 사용하고, 밝기 구간 나누기 기법을 적용하여 색 공간 내의 안정성과 분리도를 향상시킨 덕분으로 기인한다.
• 저 스펙트럼 품질 플래그를 가진 4,900개의 소스를 성공적으로 재분류하여, 우주론적 분석에 사용 가능한 데이터 확장을 위한 유용성을 입증했다.