[論文レビュー] The VIMOS Public Extragalactic Redshift Survey (VIPERS). A Support Vector Machine classification of galaxies, stars and AGNs

K. Małek, A. Solarz+48 more|arXiv (Cornell University)|Mar 11, 2013

Spectroscopy and Chemometric Analyses参考文献 48被引用数 34

ひとこと要約

本論文では、VIMOS Public Extragalactic Redshift Survey (VIPERS) における銀河、星、AGN を区別するため、多バンド光度 (u*, g', r', i', z', Ks) で訓練されたサポートベクターマシン (SVM) 分類器を提示する。近赤外 (NIR) データを組み込むことで、自己チェックにおいて銀河で97%、星で97%、AGNで95%の精度を達成し、サンプルの純度が著しく向上し、低品質な分光赤方偏移を持つ源の光度分類が可能になった。

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.

研究の動機と目的

• 大規模な光度調査における天体源を分類するための堅牢で自動化された手法の開発。
• 星やAGNなどの汚染物質を正確に同定・除去することで、VIPERS銀河サンプルの純度を向上させること。
• 光学データに比べ、近赤外 (NIR) 光度の有無が分類精度に与える影響を評価すること。
• 低品質または曖昧な分光赤方偏移を持つ源の光度分類を可能にすること。
• 将来の銀河系外調査に適用可能なスケーラブルな教師あり機械学習フレームワークの提供。

提案手法

• SVM分類器は、VIPERSおよびVVDSからの分光的に確認済み源を用いて訓練され、対象を銀河、星、AGNに分類する。
• u*, g', r', i', z' 等のマグニチュードで定義される5次元の色空間に加え、KsバンドのNIR光度を含めた6次元空間を用いる。
• 訓練データは分光的に確認済みの源から抽出され、分類割り当ての信頼性が非常に高い。
• モデルは訓練サンプルに対する自己チェックと、高い赤方偏移信頼度を持つVIPERS源に対するテストを通じて検証される。
• 光学のみと光学＋NIRの両設定における精度指標を用いて性能を評価する。
• 分類の安定性を向上させるために、全光度レベルにわたるマグニチュードビンニングを手法に組み込む。

実験結果

リサーチクエスチョン

• RQ1 幅帯光度を用いたSVMは、VIPERS調査における銀河、星、AGNを効果的に分類できるか？
• RQ2 z' および Ks バンドの近赤外 (NIR) 光度を含めることで、光学のみの光度に比べ分類精度がどのように向上するか？
• RQ3 この分類器は、汚染物質を同定・除去することで、VIPERS銀河サンプルの純度をどの程度向上できるか？
• RQ4 異なる調査特性下で、既存の手法（例：Pan-STARRS1分類器）と比較して、このSVMベース分類器の性能はいかがなものか？
• RQ5 低品質な分光赤方偏移を持つ源を信頼性高く分類できるか。これにより、宇宙論的分析に使えるデータ量を拡大できるか？

主な発見

• 光学およびNIR光度 (u*, g', r', i', z', Ks) を用いた訓練サンプルでのテストにおいて、SVM分類器は銀河で97%、星で97%、AGNで95%の精度を達成した。
• NIRデータの組み込みにより分類効率が著しく向上し、自己チェックおよびテストの両状況で光学のみの分類器を上回った。
• 99%の赤方偏移信頼度を持つVIPERS源に対するテストでは、銀河で94%、星で93%、AGNで92%の精度を達成した。
• 光学のみの分類器 (u*, g', r', i') は、銀河で94%、AGNで82%、星で93%の精度を示し、次元数が低いにもかかわらずPan-STARRS1分類器と同等の性能を示した。
• 性能の向上は、zP1/yP1バンドの代わりにu* を使用したこと、およびマグニチュードビンニングの適用による色空間内での分離性と安定性の向上に起因する。
• 低スペクトル品質フラグが付与された4,900件の源を再分類に成功し、宇宙論的分析に使えるデータ量の拡大に貢献した。