Classification of blazars based on data-driven approaches

Resumen Técnico: Clasificación de Blázares Basada en Enfoques Dirigidos por Datos

Planteamiento del Problema
Los Núcleos Galácticos Activos (AGN), particularmente los blázares, exhiben una variabilidad distintiva en sus curvas de luz ópticas. Sin embargo, la clasificación robusta de los blázares (que comprenden objetos BL Lac y cuásares de radio espectro plano o FSRQ) basándose únicamente en datos ópticos es un desafío. En la banda óptica, la emisión de chorro (jet) no térmica altamente variable, característica de los blázares, puede verse contaminada o amortiguada por la luz constante de la galaxia anfitriona y la emisión térmica moderadamente variable del disco de acreción y la Región de Líneas Anchas (BLR). En consecuencia, los blázares pueden parecerse a los AGN normales, lo que hace que la variabilidad óptica por sí sola sea un clasificador insuficiente sin confirmación multi-longitud de onda. Si bien los datos de rayos gamma ofrecen una firma de chorro más limpia, están limitados a las fuentes más brillantes y requieren un seguimiento espectroscópico para una clasificación definitiva, lo cual consume muchos recursos. Este trabajo aborda la necesidad de una estrategia de clasificación alternativa que dependa exclusivamente de las curvas de luz ópticas para distinguir los blázares de los AGN no blázares.

Metodología
El estudio utiliza datos de curvas de luz ópticas de los sondeos Gaia DR3 (banda G, 2014–2017) y Pan-STARRS (curvas de luz compuestas, 2010–2014). El conjunto de datos comprende:

• Fuentes Conocidas: Aproximadamente 2,500 blázares (del catálogo Roma-BZCAT) y un conjunto equilibrado de ~2,500 AGN no blázares (del catálogo Gaia de AGN variables).
• Fuentes Desconocidas: 21,733 candidatos a AGN que carecen de contrapartidas en otros catálogos.

La extracción de características se realizó utilizando la biblioteca FATS (Feature Analysis for Time Series) para generar descriptores estadísticos estándar (por ejemplo, amplitud, autocorrelación, percentiles de flujo) y algoritmos personalizados basados en métodos de la literatura (por ejemplo, modelos de Caminata Aleatoria Amortiguada o Damped Random Walk). Se extrajeron e inicializaron un total de ~70 características mediante normalización.

La metodología central emplea dos enfoques de aprendizaje automático:

1. Clasificación Supervisada (LightGBM): Se entrenó un modelo de Máquina de Gradiente de Boost de Luz (Light Gradient-Boosting Machine) utilizando el conjunto de datos "Conocido" mediante una estrategia de validación cruzada de cinco pliegues. Los hiperparámetros ($learning\_rate$, $n\_estimators$, $colsample\_bytree$) se optimizaron mediante GridSearchCV.
2. Aprendizaje Semi-Supervisado (Clasificador de Auto-entrenamiento - STC): Para clasificar los objetos "Desconocidos", se implementó un bucle de auto-entrenamiento. Un modelo LightGBM inicial, entrenado con datos conocidos, asignó iterativamente etiquetas pseudo-etiquetas a los objetos no etiquetados con alta confianza (umbral > 0.95), expandiendo el conjunto de entrenamiento hasta la convergencia.

Selección de Características
Para abordar la alta dimensionalidad del espacio de características, se aplicó el algoritmo BoostBoruta (una extensión de Boruta utilizando gradiente de boost) para identificar las características relevantes comparando las características originales contra características "sombra" aleatorizadas. Se integraron los valores SHAP (SHapley Additive exPlanations) para mejorar la selección de características y la interpretabilidad, cuantificando las contribuciones individuales de cada característica a las predicciones del modelo.

Resultos Clave

• Desempeño Supervisado: El modelo LightGBM alcanzó una precisión del 86% (±0.012) en el conjunto de datos conocido. La precisión, el recall y las puntuaciones F1 para ambas clases (blázar y no blázar) superaron el 80–85%.
• Reducción de Características: BoostBoruta redujo con éxito el espacio de características de ~70 a 13 características clave (incluyendo Mean, Eta_e, DRW_tau, CAR_sigma, etc.) manteniendo un desempeño comparable al del conjunto completo de características (Precisión: 0.856 ± 0.012).
• Desempeño Semi-Supervisado: El Clasificador de Auto-entrenamiento logró una precisión del 85% (±0.013) en el conjunto de datos expandido que incluye los 21,733 objetos desconocidos. Las métricas de desempeño se mantuvieron consistentes con la línea base supervisada, validando la fiabilidad del enfoque de pseudo-etiquetado.
• Importancia de las Características: Las tres características más críticas identificadas en todos los experimentos fueron Mean (magnitud promedio), Eta_e (razón entre la diferencia de magnitud sucesiva al cuadrado y la varianza) y DRW_tau (tiempo de relajación de un modelo de Caminata Aleatoria Amortiguada). Estas características reflejan la dicotomía física entre la variabilidad rápida e intensa de los blázares y la evolución más suave de los AGN dominados por el disco.

Significancia y Reivindicaciones
El artículo sostiene que su contribución principal es demostrar la viabilidad de clasificar blázares frente a AGN no blázares utilizando únicamente datos de series temporales ópticas, sin depender de información multi-longitud de onda (radio, rayos X, rayos gamma) o de seguimiento espectroscópico. Los autores enfatizan que este enfoque aprovecha la abundancia y accesibilidad de los datos de sondeos a gran escala como Gaia, Pan-STARRS y el próximo Rubin-LSST.

El estudio destaca que, a pesar del solapamiento físico en las firmas de variabilidad óptica entre los blázares y otros AGN, los métodos dirigidos por datos pueden lograr una discriminación robusta. La aplicación exitosa del auto-entrenamiento a un gran grupo de candidatos no etiquetados sugiere que esta metodología puede escalar hacia futuros sondeos, identificando potencialmente decenas de miles de nuevos candidatos a blázares. El trabajo establece una base para estudios eficientes de población de AGN utilizando únicamente la variabilidad óptica, abordando las limitaciones de los cuellos de botella actuales de clasificación.