Catching Disguised Transients with ASTRANet: Anomaly-Aware Spectroscopic Classification and Conformal Calibration

Resumen Técnico: Capturando Transitorios Disfrazados con ASTRANet

Planteamiento del Problema
Los sondeos en el dominio del tiempo (p. ej., ZTF, el futuro LSST) generan cientos de miles de candidatos a transitorios anualmente, pero el seguimiento espectroscópico está severamente limitado por la tasa de capacidad. Los clasificadores actuales de aprendizaje profundo para la identificación de transitorios espectroscópicos son típicamente de "conjunto cerrado" (closed-set), lo que significa que fuerzan cada espectro de entrada a una clase de entrenamiento conocida mediante una probabilidad softmax, independientemente de si el espectro pertenece genuinamente a esa clase. Esta arquitectura crea un modo de fallo peligroso: respuestas erróneas de alta confianza. Estos clasificadores suelen fallar al identificar objetos raros, físicamente peculiares o noveles (anomalías) porque están entrenados para minimizar el error en clases comunes, ocultando efectivamente los mismos fallos que conducen al descubrimiento. Los remedios existentes suelen depender de una puntuación única de detección de anomalías o curvas de luz fotométricas, tratando la cuantificación de la incertidumbre (UQ) y la detección de anomalías (AD) como ejes separados, lo cual los autores argumentan que es insuficiente para los modos de fallo físicamente diversos de los datos espectroscópicos.

Metodología: El Marco de Trabajo ASTRANet
Los autores presentan ASTRANet, un marco de trabajo consciente de la confianza diseñado para la clasificación y el descubrimiento de transitorios espectroscópicos. Integra tres módulos acoplados:

1. Clasificador Espectral Jerárquico (ASTRANet):

   • Entrada: Opera directamente sobre espectros en el marco del observador sin requerir el desplazamiento al rojo (redshift) de la galaxia anfitriona o la fase espectral como entradas obligatorias. Estas se tratan como metadatos opcionales inyectados mediante Modulación Lineal por Características (FiLM) y se enmascaran aleatoriamente durante el entrenamiento para asegurar que la red aprenda representaciones invariantes al desplazamiento al rojo.
   • Arquitectura: Un ensamble profundo de seis modelos construidos sobre un tallo convolucional multiescala y un núcleo de convolución temporal dilatada (TCN). Emplea un agrupamiento de atención de múltiples cabezales (multi-head attention pooling) para generar una incrustación (embedding) de 192 dimensiones.
   • Salida: Predice conjuntamente una superclase gruesa (Termonuclear, Colapso de Núcleo, No-SN) y una clase de grano fino (7 clases: Ia, Ibc, SLSN, II, AGN, CV, TDE). La cabeza de grano fino consume la softmax de la clase gruesa como un prior suave mediante un mecanismo de detención de gradiente (stop-gradient).

2. Capa de Detección de Anomalías (ASTRANet-Sentinel):

   • Mecanismo: Calcula 16 puntuaciones de anomalía complementarias a partir de las incrustaciones y los logits del ensamble, que abarcan cuatro familias motivadas físicamente:
     • Incertidumbre: (p. ej., entropía predictiva, ODIN, energía).
     • Distancia: (p. ej., distancias de Mahalanobis, kNN, distancia de coseno).
     • Densidad: (p. ej., verosimilitud de GMM, bosque de aislamiento, LOF).
     • Híbrido: (p. ej., combinación de entropía jerárquica, puntuaciones de residuo de variedad).
   • Integración: Estas puntuaciones se combinan no linealmente utilizando un árbol de decisión potenciado por gradiente (LightGBM) en una única puntuación de anomalía de la clase de familia ($s_{AD}$). Los autores demuestran que un combinador no lineal es esencial porque ninguna familia de puntuaciones por sí sola puede detectar todos los modos de fallo.
   • Entrenamiento: El codificador se somete a un ajuste fino de "exposición a valores atípicos" (outlier-exposure), donde un término de entropía y un término de margen de incrustación empujan las anomalías de exposición hacia una distribución uniforme y lejos de los centroides de clase, mejorando significativamente la recuperación de objetos cercanos fuera de la distribución (OOD).

3. Capa de Cuantificación de Incertidumbre Conforme (ASTRANet-CP):

   • Calibración: Utiliza la predicción conforme de Mondrian para calibrar las puntuaciones de anomalía y las salidas del clasificador. Esto proporciona garantías de muestra finita libres de distribución que son válidas bajo cambios de distribución arbitrarios.
   • Salidas: Para cada espectro, genera:
     • Un valor p de Mondrian calibrado ($p_M$) que indica la probabilidad de que la predicción sea errónea.
     • Un conjunto de predicción adaptativo (APS) de clases plausibles a un nivel de cobertura especificado por el usuario.
     • Intervalos de probabilidad por clase del ensamble ($\bar{p}_k \pm \sigma_k$) que capturan el desacuerdo del ensamble profundo.
     • Una descomposición de la entropía predictiva en componentes aleatorios (aleatoric - ruido de datos) y epistémicos (epistemic - desacuerdo del modelo).
   • Innovación: Introduce la Predicción Conforme de Mondrian estratificada por AD (AD-MCP), que estratifica la calibración tanto por la clase predicha como por los quintiles de la puntuación de anomalía. Esto corrige la subcobertura observada en los predictores de Mondrian estándar dentro de regímenes operativos de alta anomalía.

Hallazgos Clave y Resultados
El marco fue validado en un conjunto de prueba de 289 transitorios raros y fuera de la taxonomía (11 clases) deliberadamente excluidos del entrenamiento.

• Taxonomía de Modos de Fallo: Los autores identifican empíricamente cinco regímenes de fallo de los clasificadores de conjunto cerrado, cada uno de los cuales requiere diferentes firmas de detección:

  1. Eventos de clase AGN con continuo disfrazado: Clasificados con alta confianza como CVs; solo detectables mediante la combinación no lineal de familias cruzadas.
  2. Disfraz espectroscópico dentro de vecinos físicos: Clases raras (p. ej., SNe ricas en Ca, Novae) casi degeneradas con las clases de entrenamiento; detectables mediante la combinación de familias cruzadas.
  3. Malclasificaciones dominadas por el continuo: Espectros sin rasgos mapeados a clases incorrectas con confianza intermedia; detectables mediante puntuaciones de distancia/densidad.
  4. Regímenes de ambigüedad de progenitor legítima: Ambigüedad física genuina (p. ej., FBOTs, ILRTs); detectables mediante el desacuerdo del ensamble y puntuaciones híbridas.
  5. Eventos de fuera de la distribución lejanos (Far-OOD): Casos de libro de texto de OOD; detectables por cualquier puntuación sensible.
  • Resultado Crucial: Los regímenes I y II (que constituyen ~43% de la población rara) solo son recuperables mediante la combinación no lineal de familias cruzadas; las canalizaciones de una sola familia fallan al detectarlos.

• Rendimiento:

  • Clasificación: Logra un 87% de precisión general y un 83% de recall macro en el conjunto de prueba.
  • Detección de Anomalías: El flujo completo de familias cruzadas recupera el 82.4% de los espectros raros con una tasa de falsa alarma (FAR) del 1%, en comparación con ~34% para la combinación base sin exposición a valores atípicos y tasas significativamente menores para cualquier ensamble de una sola familia.
  • Complementariedad: La UQ interna del clasificador (p. ej., confianza softmax) y la AD basada en incrustaciones son estructuralmente complementarias. La UQ interna domina en errores de frontera dentro de la distribución, mientras que la AD domza en el disfraz OOD (Regimen I). Ambas señalan poblaciones de fallo mayormente disjuntas.

• Capacidades Operativas:

  • Permite el triaje en tiempo real sin necesidad de redshift del anfitrión o fase.
  • Permite la "abstención ortogonal a la AD", donde el sistema puede negarse a comprometerse con una predicción basándose en la incertidumbre interna mientras sigue señalando anomalías basadas en la capa de AD.
  • Proporciona una asignación de riesgo calibrada, permitiendo a los operadores establecer presupuestos explícitos de falsas alarmas.

Significancia y Reivindicaciones
El artículo afirma establecer la infraestructura metodológica para el descubrimiento espectroscópico consciente de la confianza en la era del Observatorio Vera C. Rubin. Sus contribuciones principales son:

1. Primer Clasificador Multiclase Libre de Redshift: ASTRANet es el primer clasificador espectroscópico de grano fino y multiclase que opera sobre espectros en el marco del observador sin requerir redshift o fase durante la inferencia, eliminando una dependencia crítica en tiempo real.
2. Taxonomía de Fallos Impulsada por la Física: Proporciona la primera caracterización empírica de cinco modos de fallo en la clasificación espectroscópica, demostrando que una sola familia de puntuación de anomalía es insuficiente debido a la diversidad física de las anomalías.
3. Complementariedad Estructural: Establece que la incertidumbre interna del clasificador y la detección de anomalías basada en incrustaciones son ejes ortogonales de confianza que deben desplegarse simultáneamente, no indistintamente.
4. Descubrimiento Calibrado: Al integrar la predicción conforme (específicamente AD-MCP), el marco proporciona garantías libres de distribución y cobertura condicional uniforme a través de los estratos de anomalía, permitiendo una asignación de seguimiento defendible.

Los autores argumentan que sin tal marco, una fracción significativa de los transitorios raros y peculiares (específicamente aquellos en los regímenes de "disfraz") se perderán silenciosamente debido a la clasificación rutinaria en los futuros sondeos de alto volumen. El marco se está preparando actualmente para su integración con el broker BOOM de ZTF.