Identifying Light-curve Signals with a Deep Learning Based Object Detection Algorithm. II. A General Light Curve Classification Framework

要約

膨大な量の天文測光データがさまざまなプロジェクトから生成されており、変光星やその他の天体クラスを特定するには多大な労力が必要です。
これを考慮すると、一般的で広く適用可能な分類フレームワークがあれば、カスタム分類子の設計タスクが簡素化されます。
弱く教師された物体検出モデルを使用して光度曲線を分類するための新しい深層学習フレームワークを紹介します。
私たちのフレームワークは、光度曲線とパワースペクトルの両方に最適なウィンドウを自動的に特定し、対応するデータにズームインします。
これにより、時間領域と周波数領域の両方からの自動特徴抽出が可能になり、モデルがさまざまなスケールやサンプリング間隔にわたるデータを処理できるようになります。
私たちは、変光星と過渡現象の宇宙ベースと地上ベースの両方のマルチバンド観測から得られたデータセットに基づいてモデルをトレーニングします。
組み合わせた変数と過渡イベントに対して 87% の精度を達成しました。これは、以前の機能ベースのモデルのパフォーマンスに匹敵します。
私たちのトレーニング済みモデルは、再トレーニングや微調整を必要とせずに、ASAS-SN などの他のミッションに直接利用できます。
予測確率の誤った調整に関する既知の問題に対処するために、等角予測を適用して、特定の確率で真のラベル カバレッジを保証する堅牢な予測セットを生成します。
さらに、さまざまな異常検出アルゴリズムを組み込んで、分布外のオブジェクトを識別する機能をモデルに提供します。
私たちのフレームワークは、Github および PyPI でホストされているオープンソース Python パッケージである Deep-LC ツールキットに実装されています。

要約(オリジナル)

Vast amounts of astronomical photometric data are generated from various projects, requiring significant efforts to identify variable stars and other object classes. In light of this, a general, widely applicable classification framework would simplify the task of designing custom classifiers. We present a novel deep learning framework for classifying light curves using a weakly supervised object detection model. Our framework identifies the optimal windows for both light curves and power spectra automatically, and zooms in on their corresponding data. This allows for automatic feature extraction from both time and frequency domains, enabling our model to handle data across different scales and sampling intervals. We train our model on datasets obtained from both space-based and ground-based multi-band observations of variable stars and transients. We achieve an accuracy of 87% for combined variables and transient events, which is comparable to the performance of previous feature-based models. Our trained model can be utilized directly to other missions, such as ASAS-SN, without requiring any retraining or fine-tuning. To address known issues with miscalibrated predictive probabilities, we apply conformal prediction to generate robust predictive sets that guarantee true label coverage with a given probability. Additionally, we incorporate various anomaly detection algorithms to empower our model with the ability to identify out-of-distribution objects. Our framework is implemented in the Deep-LC toolkit, which is an open-source Python package hosted on Github and PyPI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google