[论文解读] Nonsequential neural network for simultaneous, consistent classification, and photometric redshifts of OTELO galaxies

J. A. de Diego, Jakub Nadolny+18 more|arXiv (Cornell University)|Nov 19, 2021

Advanced Statistical Methods and Models参考文献 85被引用 3

一句话总结

本文提出了一种非序列神经网络，利用光学和近红外测光数据，同时对 OTELO 巡天中的星系进行形态分类和光度红移估计。通过将形态分类结果迁移至红移预测任务，该模型减少了灾难性红移异常值，提升了结果的一致性，与传统的 SED 拟合相比，将平均光度红移误差降低了两倍。

ABSTRACT

Context. Computational techniques are essential for mining large databases produced in modern surveys with value-Added products. Aims. This paper presents a machine learning procedure to carry out a galaxy morphological classification and photometric redshift estimates simultaneously. Currently, only a spectral energy distribution (SED) fitting has been used to obtain these results all at once. Methods. We used the ancillary data gathered in the OTELO catalog and designed a nonsequential neural network that accepts optical and near-infrared photometry as input. The network transfers the results of the morphological classification task to the redshift fitting process to ensure consistency between both procedures. Results. The results successfully recover the morphological classification and the redshifts of the test sample, reducing catastrophic redshift outliers produced by an SED fitting and avoiding possible discrepancies between independent classification and redshift estimates. Our technique may be adapted to include galaxy images to improve the classification.

研究动机与目标

• 解决大规模巡天中独立星系形态分类与光度红移估计之间的一致性问题。
• 通过将形态分类作为先验知识，减少 SED 拟合中常见的灾难性红移异常值。
• 开发一种统一的深度学习框架，以提高星系属性估计的准确性和一致性。
• 实现对现代天空巡天中大规模测光数据集的可扩展、自动化分析。
• 为未来模型中整合成像数据以进一步提升分类性能奠定基础。

提出的方法

• 设计了一种非序列神经网络架构，以光学和近红外测光数据作为输入。
• 网络采用共享表征，将形态分类结果输入至红移预测分支，以强制实现一致性。
• 在 OTELO 目录上端到端训练该模型，使用标记的形态分类类别和光谱红移数据。
• 通过允许跨任务信息流动，避免了序列化处理，提升了泛化能力并减少了误差传播。
• 降低了对 SED 模板拟合的依赖，后者对尘埃、气体和大气效应敏感。
• 该框架可扩展，未来版本可纳入星系图像以提升形态分类性能。

实验结果

研究问题

• RQ1 一个深度学习模型能否同时且一致地预测星系的形态类别和光度红移？
• RQ2 将分类结果迁移至红移估计如何提升准确性和减少异常值？
• RQ3 与传统的 SED 模板拟合相比，该方法在光度红移误差方面有多大程度的改进？
• RQ4 该模型如何处理不同形态类型之间训练样本不平衡的问题？
• RQ5 该框架能否扩展以纳入星系图像以增强分类性能？

主要发现

• 该模型在 OTELO 测试样本中成功恢复了形态分类和光度红移，且结果高度一致。
• 与标准 SED 模板拟合相比，平均光度红移误差降低了两倍。
• 该方法显著减少了灾难性红移异常值的数量，提升了宇宙学研究中的可靠性。
• 非序列设计实现了从分类到红移预测的有效信息传递，从而提升了整体性能。
• 该方法展示了在天文学深度学习中联合预测的可行性，尤其在输出一致性至关重要的场景中。
• 该模型有望通过引入成像数据进一步提升分类准确性，从而更好地分离螺旋星系的取向效应。