[論文レビュー] A study of supervised classification of Hipparcos variable stars using PCA and Support Vector Machines

P. G. Willemsen, L. Eyer|ArXiv.org|Dec 18, 2007

Astronomical Observations and Instrumentation参考文献 3被引用数 6

ひとこと要約

本研究では、51個の光度計特徴量（光曲線の形状や色を含む）を用いて、サポートベクターマシン（SVMs）によるハイパルコス変光星の教師あり分類を評価している。主成分分析（PCA）による次元削減を試みたが、全体の分類精度はわずか62％にとどまり、テンプレートセットの汚染および変光タイプの重複により、クラス間で性能に顕著なばらつきが生じた。

ABSTRACT

We report on the automated classification of Hipparcos variable stars by a supervised classification algorithm known as Support Vector Machines. The dataset comprised about 3200 stars, each characterized by 51 features. These are the B-V and V-I colours, the skewness of the lightcurve, the median subtracted 10-percentiles and forty bins from the Fourier envelope of the lightcurve. We also tested whether the classification performance can be improved by using the most significant principal components calculated from this dataset. We show that the overall classification performance (as measured by the fraction of true positives) on the original dataset is of the order of 62%. For about 9 of the 18 different variability classes, the classification accuracy is significantly larger than 60% (up to 98%). Introducing principal components does not significantly improve this result. We further find that many of the different variability classes are not very distinct and possibly poorly defined, i.e. there exists a considerable class overlap. It is concluded that this `contamination' of the template set implies minimum errors and thus degrades the overall performance.

研究の動機と目的

• ハイパルコス変光星に対して、サポートベクターマシン（SVMs）を用いた教師あり分類の性能を評価すること。
• 主成分分析（PCA）を用いた特徴量次元の低減が、分類精度を向上させるかどうかを調査すること。
• 特にクラス定義と重複の観点から、学習および検証データセットの信頼性を評価すること。
• 現在の変光タイプテンプレートに起因する分類の限界を特定すること。
• ガウア変光星データの文脈において、将来の分類手法のベンチマークを提供すること。

提案手法

• B-V、V-I色、光曲線の歪度、中央値を引いた10パーセンタイル、40個のフーリエエンベロープ・バインの合計51特徴量を有する約3200個のハイパルコス変光星のデータセットを構築した。
• 特徴量の分散を標準化するために相関行列を用いたPCAを実施し、次元削減として14個の主要成分を選択した。
• 元の51特徴量データセットおよびPCAで低次元化された14成分データセットの両方に対して、SVM分類器を学習および検証した。
• 学習用と検証用に70/30の分割を実施し、各クラスに少なくとも40個の代表星が含まれるようにした。
• 正の予測率を用いて分類性能を評価し、元の特徴量セットとPCAベースの特徴量セットの結果を比較した。
• 学習セットの性能（78％）と検証セットの性能（62％）を比較することで、テンプレートセットの品質を評価し、汚染およびクラスの重複を明らかにした。

実験結果

リサーチクエスチョン

• RQ1 SVMを用いて、光度計特徴量を用いてハイパルコス変光星の分類を高精度で達成できるか？
• RQ2 このデータセットにおいて、PCAによる次元削減がSVM分類性能を顕著に向上させるか？
• RQ3 クラスの重複および曖昧なテンプレート定義は、分類精度をどの程度低下させるか？
• RQ4 なぜ検証セットの性能（62％）が学習セットの性能（78％）よりも顕著に低いのか？
• RQ5 分類結果は、異なる変光タイプによってどのように変動するか？特に、どのクラスが最も信頼性高く分類できるか？

主な発見

• 検証セットにおける全体の分類精度は62％であり、18個の変光タイプのうち9つが60％以上の精度を達成した。
• 最高の分類精度はRRAB（98％）、ACV（94％）、DCEP（92％）星で達成され、これらのタイプは明確な識別性を示した。
• PCAによる次元削減を実施したが、元の51特徴量データセットと比較して、分類性能に顕著な向上は観察されなかった。
• 学習セットの分類精度（78％）は検証セットの精度（62％）よりも顕著に高く、テンプレートセットの汚染によるモデルの過学習が原因であると示された。
• 特にL、I、Mタイプでは、特徴空間における重複が顕著で、クラス分離が不十分であり、学習データにおける定義の曖昧さが原因であると示唆された。
• 本研究では、クラスの重複と定義が曖昧なテンプレートが、分類エラーの主な要因であると結論づけ、性能の達成可能な下限を規定するものである。