[论文解读] Where's Swimmy?: Mining unique color features buried in galaxies by deep anomaly detection using Subaru Hyper Suprime-Cam data

Takumi S. Tanaka, Rhythm Shimakawa+5 more|arXiv (Cornell University)|Oct 11, 2021

Galaxies: Formation, Evolution, Phenomena参考文献 141被引用 9

一句话总结

本文介绍了Swimmy调查，这是一种基于斯巴鲁Hyper Suprime-Cam多波段成像数据的深度异常检测框架，利用自编码器在无标注训练数据的情况下识别稀有且独特的星系。该方法成功将已知类星体的60–70%以及极端发射线星系（XELGs）的60%识别为异常值，证明了无监督异常检测能够在大规模天文数据集中高效发现稀有且可能为新天体现象的天体。

ABSTRACT

We present the Swimmy (Subaru WIde-field Machine-learning anoMalY) survey program, a deep-learning-based search for unique sources using multicolored ($grizy$) imaging data from the Hyper Suprime-Cam Subaru Strategic Program (HSC-SSP). This program aims to detect unexpected, novel, and rare populations and phenomena, by utilizing the deep imaging data acquired from the wide-field coverage of the HSC-SSP. This article, as the first paper in the Swimmy series, describes an anomaly detection technique to select unique populations as "outliers" from the data-set. The model was tested with known extreme emission-line galaxies (XELGs) and quasars, which consequently confirmed that the proposed method successfully selected 60-70% of the quasars and 60% of the XELGs without labeled training data. In reference to the spectral information of local galaxies at $z=$0.05-0.2 obtained from the Sloan Digital Sky Survey, we investigated the physical properties of the selected anomalies and compared them based on the significance of their outlier values. The results revealed that XELGs constitute notable fractions of the most anomalous galaxies, and certain galaxies manifest unique morphological features. In summary, a deep anomaly detection is an effective tool that can search rare objects, and ultimately, unknown unknowns with large data-sets. Further development of the proposed model and selection process can promote the practical applications required to achieve specific scientific goals.

研究动机与目标

• 开发一种无监督异常检测方法，用于在大规模成像巡天中识别稀有且独特的星系。
• 通过识别星系颜色和形态中的极端异常值，探测‘未知的未知’——即此前未被发现的星系群体或天体现象。
• 通过已知的极端源（如类星体和XELGs）验证该方法，确保其能在无先验标注的情况下恢复已知的稀有天体。
• 利用多波段档案数据研究检测到的异常天体的物理特性，将异常值评分与天体物理意义相关联。

提出的方法

• 采用深度自编码器神经网络，从grizy波段的HSC-SSP数据中学习星系图像的低维潜在表征。
• 使用重构误差作为异常值评分：重构误差越高，表示与典型星系特征的偏离程度越大。
• 基于重构误差相对于训练样本的z得分，计算归一化的异常值评分（Sanom）。
• 在典型星系的代表性样本上训练自编码器，随后通过Sanom对源进行排序以识别异常值。
• 通过重复训练30次（固定超参数d=8，rgauss=0.02）进行模型选择，选取在已知类星体和XELGs中检测率最高的模型。
• 通过与光谱数据（如SDSS DR15）交叉比对顶部异常值，并检查残差以识别伪影。

实验结果

研究问题

• RQ1 深度异常检测是否能在无先验标注或模板的情况下识别稀有且极端的星系？
• RQ2 该异常检测方法在恢复类星体和XELGs等已知极端源方面的有效性如何？
• RQ3 哪些物理特性可区分模型识别出的最异常星系？
• RQ4 伪影或数据处理误差在异常候选列表中污染的程度有多大？
• RQ5 该方法能否扩展至本地宇宙（z ≈ 0.05–0.2）的颜色选源样本，以提升更广泛的发现潜力？

主要发现

• 该模型成功将已知DR16Q类星体的60–70%以及XELG样本的60%识别为最异常的候选者，证明了其在无标注训练数据情况下的强大检测能力。
• 极端发射线星系（XELGs）在最异常星系中占显著比例，表明其独特的光谱能量分布（SED）能被异常值评分有效捕捉。
• 在颜色选源的本地样本（z ≈ 0.05–0.2）中，最异常的0.0465%异常值包含大量蓝色、绿色和紫色的紧凑星系，提示可能存在新的XELG候选者。
• 大量误报可归因于伪影，特别是r波段中的伪影，主要由通量归一化错误或零点校准偏差引起，凸显了数据质量控制的重要性。
• 尽管存在随机性，该方法在多次训练运行中保持稳健，趋势一致；基于已知源检测率的模型选择策略被证明有效。
• 该方法能够通过识别显著偏离典型星系SED和形态的天体，实现对‘未知的未知’的发现，即使此前不存在先验样本。