Weakly supervised machine learning for model-agnostic searches of new phenomena in the $\gamma$-ray sky

Resumen Técnico: Aprendizaje Automático Débilmente Supervisado para Búsquedas Agnósticas al Modelo en el Cielo de Rayos $\gamma$

Planteamiento del Problema
El cielo de rayos $\gamma$, particularmente tal como es observado por el Telescopio de Gran Área Fermi (Fermi-LAT), contiene una población significativa de fuentes no asociadas que pueden representar nuevas poblaciones astrofísicas o física exótica (por ejemplo, subhalos de materia oscura, oscilaciones axión-fotón). Si bien el aprendizaje automático (ML) se ha vuelto central para la clasificación de fuentes y las búsquedas de nueva física, los enfoques existentes dependen fuertemente del entrenamiento totalmente supervisado. Esto requiere modelos de señal explícitos y etiquetados para cada hipótesis probada. Una limitación crítica surge cuando la verdadera señal exótica se desvía del modelo de entrenamiento asumido, lo que conduce a una reducción significativa en la sensibilidad del clasificador. Además, los métodos totalmente supervisados son inadecuados para escenarios donde no hay etiquetas disponibles a nivel de evento o donde el modelo de la señal está solo parcialmente especificado.

Metodología
Este trabajo explora la clasificación débilmente supervisada como una alternativa menos dependiente del modelo. La estrategia central emplea una configuración de fondo versus mezcla (BvM, Background-versus-Mixture):

• Datos de Entrenamiento: En lugar de eventos de señal y fondo etiquetados, los clasificadores se entrenan en dos muestras con diferentes proporciones del componente de la señal pero con distribuciones de fondo idénticas.
  • Muestra $B$ (Fondo): Fondo astrofísico puro $p_A(x)$.
  • Muestra $M$ (Mezcla): Una mezcla $f p_E(x) + (1-f) p_A(x)$, donde $f$ es la fracción de la señal y $p_E(x)$ es la distribución de la señal exótica.
• Base Teórica: Bajo la suposición de que el componente de fondo se distribuye de manera idéntica en ambas muestras, un clasificador entrenado para distinguir entre $B$ y $M$ aprende una puntuación monótona en la relación de verosimilitud óptima $p_E(x)/p_A(x)$. Esto permite la identificación de subconjuntos similares a la señal sin requerir etiquetas individuales de eventos ni conocimiento previo de la fracción de la señal.
• Arquitectura del Clasificador: Los autores utilizan Árboles de Decisión Potenciados (BDTs) (específicamente GradientBoostingClassifier de sklearn) como el clasificador por defecto. Los BDTs fueron elegidos sobre las redes neuronales por su estabilidad, robustez ante entradas ruidosas o correlacionadas y facilidad de optimización. Las características de entrada son flujos espectrales de bajo nivel en bandas de energía estándar (7 bins para pulsar/AGN/DM y 50 bins para búsquedas de ALP) para mantener una base agnóstica al modelo.
• Aumento de Datos: Para manejar el desequilibrio de clases y sondear pequeñas fracciones de señal, los autores emplean flujos normalizantes para generar espectros de fondo sintéticos (específicamente para AGN) que coincidan con las propiedades estadísticas de las fuentes observadas.

Contribuciones Clave y Aplicaciones
El artículo valida este enfoque a través de tres distintos escenarios físicos, comparando los resultados débilmente supervisados contra puntos de referencia totalmente supervisados:

1. Púlsares vs. Núcleos Activos de Galaxias (AGN) – Benchmark Controlado:

   • Configuración: Utilizando el catálogo 4FGL, los púlsares son tratados como la señal y los AGN como el fondo.
   • Resultado: El enfoque débilmente supervisado identifica con éxito los púlsares. A medida que la fracción de señal en la mezcla aumenta, la Tasa de Verdaderos Positivos (TPR) aumenta y se aproxima al rendimiento del benchmark totalmente supervisado. La Tasa de Falsos Positivos (FPR) permanece estable. Esto demuestra que la supervisión débil puede recuperar un rendimiento cercano al óptimo cuando la señal y el fondo son espectralmente distintos.

2. Subhalos de Materia Oscura – Desafío Dependiente del Modelo:

   • Configuración: Se inyectan espectros de subhalos simulados (aniquilación de WIMP en $b\bar{b}$) en un fondo de fuentes astrofísicas identificadas.
   • Resultado: El problema es más desafiante debido al solapamiento espectral entre los subhalos y las fuentes astrofísicas. Aunque la supervisión débil puede identificar espectros similares a subhalos sin etiquetas de señal explícitas, persiste una brecha de rendimiento en comparación con la línea base totalmente supervisada. La TPR es menor y la FPR es ligeramente mayor, lo que refleja la frontera de decisión conservadora inherente a la configuración BvM en fracciones de señal bajas. Sin embargo, el método evita la necesidad de reentrenar para cada masa específica de materia oscura o canal de aniquilación hipotético.

3. Oscilaciones de Partículas Similares a Axiones (ALP) – Irregularidades Espectrales:

   • Configuración: La búsqueda apunta a sutiles deformaciones espectrales oscilatorias ("ondulaciones") en los espectros de púlsares inducidas por la mezcla fotón-ALP en campos magnéticos galácticos, en lugar de una nueva población de fuentes.
   • Resultado: El estudio simula espectros modulados utilizando la herramienta GammaALPs y el modelo de campo magnético galáctico de Jansson-Farrar. Los autores comparan estrategias supervisadas y débilmente supervisadas para detectar estas modulaciones. Los resultados resaltan la dificultad de detectar sutiles características espectrales con un alto desequilibrio de clase (10% de señal), donde la TPR permanece baja incluso en el caso supervisado. Se muestra que el enfoque débilmente supervisado es una estrategia viable para clasificar candidatos basados en irregularidades espectrales sin escanear todo el espacio de parámetros de las ALP ($m_a, g_{a\gamma}$).

Resultos Clave

• Rendimiento: En el benchmark "limpio" (Púlsar vs. AGN), la supervisión débil se aproxima al rendimiento de los clasificadores totalmente supervisados. En escenarios más complejos y con solapamiento (Materia Oscura), proporciona una alternativa robusta, aunque ligeramente menos sensible, que reduce la dependencia de plantillas de señal específicas.
• Dependencia de la Fracción de Señal: El rendimiento de la clasificación (específicamente la TPR) generalmente mejora a medida que la fracción de señal en la mezcla aumenta, ya que la diferencia entre el fondo puro y las muestras mezcladas se vuelve más pronunciada.
• Robustez: El método identifica con éxito subconjuntos anómalos de datos al tiempo que reduce la dependencia de un modelado detallado de la señal durante la fase de entrenamiento.

Significancia y Reivindicaciones
Los autores posicionan este trabajo no como un reemplazo para las búsquedas dedicadas basadas en verosimilitud o como una herramienta directa para maximizar la significancia de descubrimiento en experimentos de conteo. En cambio, afirman que el aprendizaje débilmente supervisado sirve como una estrategza complementaria de selección de candidatos y clasificación de anomalías.

• Agnosticismo de Modelo: Permite el análisis de datos de rayos $\gamma$ donde el modelo de señal es incierto, está solo parcialmente especificado o donde no hay etiquetas disponibles a nivel de evento.
• Priorización: Puede priorizar objetivos interesantes en grandes catálogos de rayos $\gamma$ (como fuentes no asociadas) para su estudio posterior mediante análisis dedicados dependientes del modelo, observaciones multi-longitud de onda o mediciones de seguimiento.
• Validación: Al progresar desde un benchmark bien controlado hacia escenarios cada vez más sutiles, el artículo establece el comportamiento alcanzable de la supervisión débil bajo condiciones controladas, sentando las bases para futuros estudios que aborden efectos de selección realistas y desplazamientos de dominio.

El artículo concluye que el aprendizaje débilmente supervisado proporciona una adición flexible al conjunto de herramientas para el análisis de datos de rayos $\gamma$, uniendo los desarrollos de la inteligencia artificial y la física de partículas con las aplicaciones astrofísicas.