The miniJPAS survey quasar selection V: combined algorithm

Resumen Técnico: El Algoritmo Combinado de Selección de Cuásares del Sondeo miniJPAS V.

Planteamiento del Problema
Los sondeos fotométricos generan vastos conjuntos de datos que requieren una clasificación de objetos y una estimación de desplazamiento al rojo (redshift) eficientes para apoyar el seguimiento espectroscópico y los estudios cosmológicos, tales como las Oscilaciones Acústicas de Bariones (BAO) utilizando la absorción de Lyman-$\alpha$. Aunque se han desarrollado diversos algoritmos de aprendizaje automático para distinguir cuásares de estrellas y galaxias utilizando los datos de miniJPAS, estos suelen generar catálogos ligeramente diferentes. El desafío radica en combinar de manera óptima estos diversos resultados algorítmicos para maximizar tanto la pureza (minimizando la contaminación) como la completitud (maximizando la detección) del catálogo final de cuásares, además de mejorar las estimaciones del desplazamiento al rojo fotométrico.

Metodología
Este trabajo presenta un "algoritmo combinado" que actúa como un meta-clasificador, integrando los resultados de ocho clasificadores de aprendizaje automático previamente desarrollados y dos estimadores de desplazamiento al rojo.

1. Fuentes de Datos:

   • Datos de miniJPAS: El análisis utiliza la Liberación de Datos de miniJPAS, que cubre $\sim1$ deg$^2$ con 56 filtros de banda estrecha más 4 filtros de banda ancha de SDSS. La muestra se restringe a magnitudes de banda $r$ de $17.0 < r \le 23.5$ (extendido a 24.3 para algunas pruebas) y se centra principalmente en fuentes puntuales ($ERT \ge 0.1$).
   • Datos Simulados (Mocks): Utilizados para el entrenamiento y la validación inicial. Estos mocks se basan en espectros de SDSS convolucionados con los filtros de J-PAS, conteniendo números iguales de estrellas, galaxias y cuásares para facilitar el entrenamiento.
   • Datos Reales: Se utiliza la liberación de datos tempranos (EDR) de DESI cruzada con miniJPAS como una tabla de verdad independiente para validar el rendimiento frente a observaciones reales.

2. Características de Entrada (Features):
   El modelo combinado no utiliza directamente los datos fotométricos brutos. En su lugar, ingiere las puntuaciones de confianza y las estimaciones de desplazamiento al rojo de ocho clasificadores individuales (CNN1, CNN1NE, CNN2, RF, LGBM, ANN1, ANN2 y SQUEZE) y dos estimadores de desplazamiento al rojo por ajuste de plantillas (QPz y LePhare).

   • Clasificación: Se entrena un Clasificador de Bosques Aleatorios (Random Forest) para predecir la clase final (estrella, galaxia, cuásar de bajo-$z$, cuásar de alto-$z$) basándose en las salidas de confianza de los algoritmos individuales.
   • Estimación de Desplazamiento al Rojo: Se entrena un Regresor de Bosques Aleatorios (implementado vía XGBoost) para refinar las estimaciones de desplazamiento al rojo. Notablemente, la métrica de entrenamiento es la Desviación Absoluta de la Mediana Normalizada ($\sigma_{NMAD}$) en lugar del Error Cuadrático Medio, para manejar mejor la naturaleza no gaussiana de los errores de desplazamiento al rojo fotométrico. Para objetos brillantes ($r < 22$), se retienen las estimaciones de QPz, ya que superan al ensamble.

3. Métricas de Evaluación:
   El rendimiento se evalúa mediante la puntuación F1 (media armónica de pureza y completitud), la pureza, la completitud y la $\sigma_{NMAD}$ para la precisión del desplazamiento al rojo.

Contribuciones Clave

• Aprendizaje de Ensamble: El artículo introduce un enfoque de aprendizaje automático de segunda capa que combina de manera óptima los resultados de ocho algoritmos distintos, en lugar de depender de un solo modelo.
• Análisis de Importancia de Características: El estudio cuantifica la importancia relativa de los algoritmos de entrada, revelando que el algoritmo CNN1 domina la decisión combinada, con CNN2 y ANN1 proporcionando contribuciones secundarias significativas.
• Refinamiento del Desplazamiento al Rojo: Se desarrolla un regresor dedicado para mejorar las estimaciones de desplazamiento al rojo, apuntando específicamente a la reducción de valores atípicos catastróficos (confusión de líneas) al aprovechar estimaciones alternativas de SQUEZE y otros, incluso cuando son menos precisas que QPz para objetos brillantes.
• Validación con Datos Reales: A diferencia de trabajos anteriores de la serie que dependían únicamente de mocks, este artículo valida el algoritmo combinado contra el DESI EDR, proporcionando un control de realidad crítico sobre el rendimiento basado en simulaciones.

Resultados

• Rendimiento en Mocks:

  • El algoritmo combinado supera a todos los clasificadores individuales en los conjuntos de prueba de los mocks.
  • Para cuásares de alto desplazamiento al rojo ($z \ge 2.1$) en $r \le 23.5$, el algoritmo combinado logra una puntuación F1 de 0.88 (Pureza: 0.91, Completitud: 0.85).
  • Para cuásares de bajo desplazamiento al rojo ($z < 2.1$) en $r \le 23.5$, la puntuación F1 es de 0.79 (Pureza: 0.79, Completitud: 0.79).
  • La precisión del desplazamiento al rojo en los mocks arroja una $\sigma_{NMAD} = 0.11$ global, con $\sigma_{NMAD} = 0.03$ para cuásares de alto-$z$ y $0.19$ para cuásares de bajo-$z$.

• Rendimiento en Datos Reales (DESI EDR):

  • Al aplicarse al cruce de DESI, la dinámica del rendimiento cambia significamente. El algoritmo combinado no supera a los clasificadores individuales; de hecho, su rendimiento cae respecto a los resultados de los mocks.
  • Específicamente, el algoritmo CNN1, que impulsa el modelo combinado, muestra una caída significativa en la pureza en los datos reales en comparación con los mocks.
  • Por el contrario, algoritmos como SQUEZE y Random Forest (RF), que tuvieron un desempeño pobre en los mocks, muestran ganancias sustanciales de rendimiento en los datos reales.
  • La precisión del desplazamiento al rojo en los datos reales es inesperadamente alta, con $\sigma_{NMAD} = 0.02$, significativamente mejor que la predicción del mock de 0.11.

• Producción de Catálogos:

  • Se liberan dos catálogos: uno para fuentes puntuales (784 cuásares) y otro que incluye fuentes extendidas (11,487 cuásares).
  • Los autores señalan que el número de fuentes extendidas es irrazonablemente alto, lo que sugiere que el algoritmo combinado no es robusto para objetos no puntuales.
  • Para alinearse con las expectativas teóricas (Palanque-Delabrouille et al. 2016), se recomienda un corte de confianza $\ge 0.67$ para fuentes puntuales, lo que resulta en ~298 cuásares hasta $r=23$.

Significancia y Limitaciones
El artículo concluye que, si bien el algoritmo combinado optimiza con éxito la integración de diversos métodos de aprendizaje automático, la discrepancia entre el rendimiento de los mocks y los datos reales indica que los módulos simulados (mocks) no son lo suficientemente realistas. Los autores atribuyen esto a que los mocks se basan en espectros de SDSS y no capturan plenamente las propiedades de los objetos más tenues o las características específicas de ruido del solapamiento DESI/miniJPAS.

La significancia de este trabajo reside en la demostración de que:

1. Los métodos de ensamble pueden mejorar la selección de cuásares en datos simulados.
2. Los mocks actuales pueden conducir al sobreajuste o a la estimación errónea de la importancia de los algoritmos al transicionar a datos reales.
3. Se requiere una versión más refinada de los mocks para validar completamente el enfoque combinado y para contabilizar adecuadamente las fuentes extendidas.

Los autores declaran modestamente que la muestra de datos aún no es lo suficientemente grande para una consideración estadística completa, y que el catálogo actual debe utilizarse entendiendo que las métricas de rendimiento derivadas de los mocks pueden no trasladarse plenamente a las aplicaciones del mundo real sin un mayor refinamiento de los mismos.