Classification of blazars based on data-driven approaches

Technische Zusammenfassung: Klassifizierung von Blazaren basierend auf datengesteuerten Ansätzen

Problemstellung
Aktive Galaktische Kerne (AGNs), insbesondere Blazare, zeigen eine charakteristische Variabilität in ihren optischen Lichtkurven. Eine robuste Klassifizierung von Blazaren (bestehend aus BL-Lac-Objekten und flachspektrigen Radio-Quasaren, FSRQs) allein auf Basis optischer Daten ist jedoch anspruchsvoll. Im optischen Band kann die hochvariable, nicht-thermische Jet-Emission, die für Blazare charakteristisch ist, durch das stetige Licht der Wirtsgalaxie und die moderat variable thermische Emission der Akkretionsscheibe und der Broad-Line-Region (BLR) kontaminiert oder gedämpft werden. Infolgedessen können Blazare normalen AGNs ähneln, was bedeutet, dass die optische Variabilität allein ohne Multiwellenlängen-Bestätigung ein unzureichender Klassifikator ist. Während $\gamma$-Strahlen-Daten eine reinere Jet-Signatur bieten, sind sie auf die hellsten Quellen beschränkt und erfordern eine spektroskopische Nachuntersuchung für eine definitive Klassifizierung, was ressourcenintensiv ist. Diese Arbeit adressiert die Notwendigkeit einer alternativen Klassifizierungsstrategie, die sich ausschließlich auf optische Lichtkurven stützt, um Blazare von Nicht-Blazar-AGNs zu unterscheiden.

Methodik
Die Studie nutzt optische Lichtkurvendaten aus den Gaia DR3 (G-Band, 2014–2017) und Pan-STARRS (zusammengesetzte Lichtkurven, 2010–2014) Surveys. Der Datensatz umfasst:

• Bekannte Quellen: Etwa 2.500 Blazare (aus dem Roma-BZCAT-Katalog) und ein balancierter Satz von etwa 2.500 Nicht-Blazar-AGNs (aus dem Gaia-Katalog variabler AGNs).
• Unbekannte Quellen: 21.733 AGN-Kandidaten, denen Gegenstücke in anderen Katalogen fehlen.

Die Merkmalsextraktion erfolgte mittels der FATS-Bibliothek (Feature Analysis for Time Series), um Standard-Statistik-Deskriptoren (z. B. Amplitude, Autokorrelation, Fluss-Perzentile) sowie benutzerdefinierte Algorithmen basierend auf Literaturmethoden (z. B. Damped Random Walk-Modelle) zu generieren. Insgesamt wurden etwa 70 Merkmale extrahiert und normalisiert.

Die Kernmethodik verwendet zwei maschinelle Lernansätze:

1. Überwachtes Klassifizierungsverfahren (LightGBM): Ein Light Gradient-Boosting Machine Modell wurde auf dem gelabelten „bekannten“ Datensatz unter Verwendung einer Fünf-Kreuzvalidierungsstrategie trainiert. Die Hyperparameter ($learning\_rate$, $n\_estimators$, $colsample\_bytree$) wurden mittels GridSearchCV optimiert.
2. Semi-überwachtes Lernen (Self-Training Classifier – STC): Um die „unbekannten“ Objekte zu klassifizieren, wurde eine Self-Training-Schleife implementiert. Ein initiales LightGBM-Modell, das auf bekannten Daten trainiert wurde, weist iterativ Pseudo-Labels an ungelabelte Objekte mit hoher Konfidenz (Schwellenwert > 0,95) zu und erweitert so den Trainingssatz bis zur Konvergenz.

Merkmalsauswahl (Feature Selection)
Um die hohe Dimensionalität des Merkmalsraums zu adressieren, wurde der BoostBoruta-Algorithmus (eine Erweiterung von Boruta mittels Gradient Boosting) angewendet. Diese Methode identifiziert relevante Merkmale durch den Vergleich der Originalmerkmale mit randomisierten „Schattenmerkmalen“. SHAP-Werte (SHapley Additive exPlanations) wurden integriert, um die Merkmalsauswahl und Interpretierbarkeit zu verbessern, indem sie die individuellen Beiträge der Merkmale zu den Modellvorhersagen quantifizieren.

Wichtigste Ergebnisse

• Leistung der überwachten Klassifizierung: Das LightGBM-Modell erreichte eine Genauigkeit von 86 % (±0,012) auf dem bekannten Datensatz. Präzision, Recall und F1-Scores für sowohl Blazar- als auch Nicht-Blazar-Klassen lagen über 80–85 %.
• Merkmalsreduktion: BoostBoruta reduzierte den Merkmalsraum erfolgreich von etwa 70 auf 13 Schlüsselmerkmale (darunter Mean, Eta_e, DRW_tau, CAR_sigma usw.), während die Leistung vergleichbar mit dem vollständigen Merkmalsatz blieb (Genauigkeit: 0,856 ± 0,012).
• Leistung des semi-überwachten Lernens: Der Self-Training Classifier erreichte eine Genauigkeit von 85 % (±0,013) auf dem erweiterten Datensatz, der die 21.733 unbekannten Objekte einschließt. Die Leistungsmetriken blieben konsistent mit der überwachten Baseline, was die Zuverlässigkeit des Pseudo-Labeling-Ansatzes validiert.
• Merkmalswichtigkeit: Die drei kritischsten Merkmale, die in allen Experimenten identifiziert wurden, waren Mean (mittlere Magnitude), Eta_e (Verhältnis der mittleren quadrierten sukzessiven Magnitudendifferenzen zur Varianz) und DRW_tau (Relaxationszeit aus einem Damped Random Walk-Modell). Diese Merkmale spiegeln die physikalische Dichotomie zwischen der schnellen, intensiven Variabilität von Blazaren und der glatteren Entwicklung von disk-dominierten AGNs wider.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass ihr primärer Beitrag darin besteht, die Machbarkeit der Klassifizierung von Blazaren gegenüber Nicht-Blazar-AGNs unter Verwendung nur optischer Zeitreihendaten zu demonstrieren, ohne sich auf Multiwellenlängen-Informationen (Radio, Röntgen, $\gamma$-Strahlung) oder spektroskopische Nachuntersuchungen zu verlassen. Die Autoren betonen, dass dieser Ansatz die Fülle und Zugänglichkeit von Daten aus groß angelegten Surveys wie Gaia, Pan-STARRS und dem kommenden Rubin-LSST nutzt.

Die Studie hebt hervor, dass trotz der physikalischen Überschneidungen in den optischen Variabilitätssignaturen zwischen Blazaren und anderen AGNs datengesteuerte Methoden eine robuste Diskriminierung erreichen können. Die erfolgreiche Anwendung von Self-Training auf einen großen Pool ungelabelter Kandidaten deutet darauf hin, dass diese Methodik auf zukünftige Surveys skalierbar ist und potenziell zehntausende neue Blazar-Kandidaten identifizieren kann. Die Arbeit etabliert eine Grundlage für effiziente populationsbasierte Studien von AGNs allein durch optische Variabilität und adressiert damit die Einschränkungen aktueller Klassifizierungsengpässe.