[论文解读] Automated Spectral Classification of Galaxies using Machine Learning Approach on Alibaba Cloud AI platform (PAI)

Yihan Tao, Yanxia Zhang+2 more|arXiv (Cornell University)|Jan 12, 2018

Face and Expression Recognition被引用 5

一句话总结

本文提出了一种基于阿里云PAI平台的机器学习自动化星系光谱分类系统，采用主成分分析（PCA）进行特征提取，并在10,000个SDSS DR14星系光谱上测试了逻辑回归、随机森林和线性支持向量机（SVM）模型。该方法在区分活动星系核（AGNs）与其他类型星系时，F1得分超过92%，证明了基于云平台、自动化光谱分类在高精度和极少人工干预下的可行性。

ABSTRACT

Automated spectral classification is an active research area in astronomy at the age of data explosion. While new generation of sky survey telescopes (e.g. LAMOST and SDSS) produce huge amount of spectra, automated spectral classification is highly required to replace the current model fitting approach with human intervention. Galaxies, and especially active galactic nucleus (AGNs), are important targets of sky survey programs. Efficient and automated methods for galaxy spectra classification is the basis of systematic study on physical properties and evolution of galaxies. To address the problem, in this paper we carry out an experiment on Alibaba Cloud AI plaform (PAI) to explore automated galaxy spectral classification using machine learning approach. Supervised machine learning algorithms (Logistic Regression, Random Forest and Linear SVM) were performed on a dataset consist of ~ 10000 galaxy spectra of SDSS DR14, and the classification results of which are compared and discussed. These galaxy spectra each has a subclass tag (i.e. AGNs, Starburst, Starforming, and etc.) that we use as training labels.

研究动机与目标

• 通过使用机器学习自动化星系光谱分类过程，减少人工干预。
• 评估多种监督学习算法在标准化数据集上进行星系光谱分类的性能。
• 探索在云基人工智能平台（阿里云PAI）上部署自动化光谱分类的可行性。
• 评估特征选择与降维（PCA）对分类准确率的影响。
• 识别在大规模光谱调查中用于AGN检测的最有效算法与特征表示方法。

提出的方法

• 本研究使用SDSS DR14中的10,000个星系光谱，标签为AGN（1）或非AGN（0），进行二分类任务。
• 光谱通过截断至2642像素（3700–6800 Å）在静止帧中进行预处理，以保留发射线特征。
• 采用包含20个主成分的主成分分析（PCA）进行降维并提取光谱特征。
• 在PCA降维后的特征上训练并评估三种监督学习算法：逻辑回归、随机森林和线性SVM。
• 利用随机森林内置的基于熵的重要性方法分析特征重要性，识别最具信息量的光谱区域。
• 所有实验均在阿里云PAI平台上完成，该平台支持数据预处理、特征工程和模型训练。

实验结果

研究问题

• RQ1 在云平台上的自动化机器学习能否在极少人工干预下实现高精度的星系光谱分类？
• RQ2 在使用PCA降维后的光谱特征时，不同机器学习算法（逻辑回归、随机森林、线性SVM）在将AGN与其他星系类型分类中的表现如何？
• RQ3 基于重要性分析的特征选择在多大程度上提升了分类性能？
• RQ4 基于PCA的特征表示能否有效捕捉星系光谱中用于AGN检测的关键模式？
• RQ5 PCA在表示复杂光谱特征方面存在哪些局限性？深度学习方法是否能在超越线性方法的基础上进一步提升分类性能？

主要发现

• 所有三种算法——逻辑回归、线性SVM和随机森林——的F1得分均超过92%，其中逻辑回归表现最佳，F1得分为0.9284。
• 逻辑回归的精确率和召回率分别达到0.9293和0.9283，表明其在精确率与召回率之间保持了良好平衡。
• 随机森林通过基于熵的重要性方法识别出前10个最重要特征，且特征剔除操作使精确率和召回率略有提升。
• 使用20个主成分的PCA提供了稳定且有效的特征表示，但作者指出其可能无法完全捕捉非线性光谱模式。
• 基于云的PAI平台实现了快速的模型训练与评估，由于平台效率高，各算法的执行时间几乎相同。
• 本研究指出PAI平台缺乏自动化超参数调优（如网格搜索或随机搜索）是其局限性，建议未来工作应包含完整的超参数优化流程。