The miniJPAS survey quasar selection V: combined algorithm

Résumé Technique : L'algorithme combiné de sélection des quasars du relevé miniJPAS V.

Énoncé du problème
Les relevés photométriques génèrent de vastes ensembles de données nécessitant une classification efficace des objets et une estimation du décalage vers le rouge (redshift) pour soutenir le suivi spectroscopique et les études cosmologiques, telles que les oscillations acoustiques des baryons (BAO) utilisant l'absorption du Lyman-$\alpha$. Bien que des algorithmes d'apprentissage automatique individuels aient été développés pour distinguer les quasars des étoiles et des galaxies à l'aide des données miniJPAS, ils produisent souvent des catalogues légèrement différents. Le défi consiste à combiner de manière optimale ces diverses sorties algorithmiques pour maximiser à la fois la pureté (minimisation de la contamination) et la complétude (maximisation de la détection) du catalogue de quasars final, tout en améliorant les estimations du décalage vers le rouge photométrique.

Méthodologie
Ce travail présente un « algorithme combiné » qui agit comme un méta-classificateur, intégrant les sorties de huit classificateurs d'apprentissage automatique précédemment développés et de deux estimateurs de décalage vers le rouge.

1. Sources de données :

   • Données miniJPAS : L'analyse utilise la libération de données (Data Release) miniJPAS, couvrant environ 1 deg$^2$ avec 56 filtres à bandes étroites plus 4 filtres larges de l'SDSS. L'échantillon est restreint à des magnitudes de bande $r$ comprises entre $17,0 < r \le 23,5$ (étendue à 24,3 pour certains tests) et se concentre principalement sur les sources ponctuelles ($ERT \ge 0,1$).
   • Données simulées (Mocks) : Utilisées pour l'entraînement et la validation initiale. Ces simulations sont basées sur des spectres SDSS convolués avec les filtres J-PAS, contenant des nombres égaux d'étoiles, de galaxies et de quasars pour faciliter l'entraînement.
   • Données réelles : La libération de données précoces (EDR) de DESI, croisée avec miniJPAS, est utilisée comme table de vérité indépendante pour valider les performances par rapport aux observations réelles.

2. Caractéristiques d'entrée :
   Le modèle combiné n'utilise pas directement les données photométriques brutes. Au lieu de cela, il ingère les scores de confiance et les estimations de décalage vers le rouge de huit classificateurs individuels (CNN1, CNN1NE, CNN2, RF, LGBM, ANN1, ANN2 et SQUEZE) et de deux estimateurs de décalage vers le rouge par ajustement de modèles (QPz et LePhare).

   • Classification : Un classificateur de Forêt Aléatoire (Random Forest) est entraîné pour prédire la classe finale (étoile, galaxie, quasar à faible $z$, quasar à haut $z$) sur la base des sorties de confiance des algorithmes individuels.
   • Estimation du décalage vers le rouge : Un régresseur de Forêt Aléatoire (implémenté via XGBoost) est entraîné pour affiner les estimations du décalage vers le rouge. Notamment, la métrique d'entraînement est la déviation absolue médiane normalisée ($\sigma_{NMAD}$) plutôt que l'erreur quadratique moyenne (MSE), afin de mieux gérer la nature non gaussienne des erreurs de décalage vers le rouge photométrique. Pour les objets brillants ($r < 22$), les estimations de QPz sont conservées car elles surpassent l'ensemble.

3. Métriques d'évaluation :
   La performance est évaluée par le score F1 (moyenne harmonique de la pureté et de la complétude), la pureté, la complétude et la $\sigma_{NMAD}$ pour la précision du décalage vers le rouge.

Contributions clés

• Apprentissage d'ensemble : Le document introduit une approche d'apprentissage automatique à second niveau qui combine de manière optimale les sorties de huit algorithmes distincts, plutôt que de s'appuyer sur un seul modèle.
• Analyse de l'importance des caractéristiques : L'étude quantifie l'importance relative des algorithmes d'entrée, révélant que l'algorithme CNN1 domine la décision combinée, tandis que CNN2 et ANN1 apportent des contributions secondaires significatives.
• Affinement du décalage vers le rouge : Un régresseur dédié est développé pour améliorer les estimations du décalage vers le rouge, ciblant spécifiquement la réduction des valeurs aberrantes catastrophiques (confusion de raies) en exploitant les estimations alternatives de SQUEZE et d'autres, même lorsque celles-ci sont moins précises que QPz pour les objets brillants.
• Validation sur données réelles : Contrairement aux travaux précédents de cette série qui reposaient uniquement sur des simulations, ce document valide l'algorithme combiné par rapport à l'EDR de DESI, fournissant un test de réalité critique sur la performance basée sur les simulations.

Résultats

• Performance sur les simulations (Mocks) :

  • L'algorithme combiné surpasse tous les classificateurs individuels sur les ensembles de test des simulations.
  • Pour les quasars à haut décalage ($z \ge 2,1$) à $r \le 23,5$, l'algorithme combiné atteint un score F1 de 0,88 (Pureté : 0,91, Complétude : 0,85).
  • Pour les quasars à bas décalage ($z < 2,1$) à $r \le 23,5$, le score F1 est de 0,79 (Pureté : 0,79, Complétude : 0,79).
  • La précision du décalage vers le rouge sur les simulations donne une $\sigma_{NMAD} = 0,11$ globale, avec une $\sigma_{NMAD} = 0,03$ pour les quasars à haut $z$ et $0,19$ pour ceux à bas $z$.

• Performance sur les données réelles (DESI EDR) :

  • Lorsqu'il est appliqué au croisement DESI, la dynamique de performance change considérablement. L'algorithme combiné ne surpasse pas les classificateurs individuels ; en fait, sa performance chute par rapport aux résultats des simulations.
  • Plus précisément, l'algorithme CNN1, qui pilote le modèle combiné, montre une baisse significative de pureté sur les données réelles par rapport aux simulations.
  • Inversement, des algorithmes comme SQUEZE et Random Forest (RF), qui ont mal performé sur les simulations, montrent des gains de performance substantiels sur les données réelles.
  • La précision du décalage vers le rouge sur les données réelles est étonnamment élevée, avec une $\sigma_{NMAD} = 0,02$, nettement meilleure que la prédiction de 0,11 des simulations.

• Production de catalogue :

  • Deux catalogues sont publiés : un pour les sources ponctuelles (784 quasars) et un incluant les sources étendues (11 487 quasars).
  • Les auteurs notent que le nombre de sources étendues est anormalement élevé, suggérant que l'algorithme combiné n'est pas robuste pour les objets non ponctuels.
  • Pour s'aligner sur les attentes théoriques (Palanque-Delabrouille et al. 2016), un seuil de confiance $\ge 0,67$ est recommandé pour les sources ponctuelles, ce qui produit environ 298 quasars jusqu'à $r=23$.

Signification et limites
Le document conclut que bien que l'algorithme combiné parvienne à optimiser l'intégration de diverses méthodes d'apprentissage automatique, la divergence entre la performance des simulations et celle des données réelles indique que les simulations ne sont pas assez réalistes. Les auteurs attribuent cela au fait que les simulations sont basées sur des spectres SDSS et ne capturent pas pleinement les propriétés des objets plus faibles ou les caractéristiques spécifiques du bruit de l'intersection DESI/miniJPAS.

La portée de ce travail réside dans la démonstration que :

1. Les méthodes d'ensemble peuvent améliorer la sélection des quasars sur les données simulées.
2. Les données de simulation actuelles peuvent conduire à un surapprentissage ou à une estimation erronée de l'importance des algorithmes lors de la transition vers les données réelles.
3. Une version plus raffinée des simulations est nécessaire pour valider pleinement l'approche combinée et pour prendre correctement en compte les sources étendues.

Les auteurs déclarent modestement que l'échantillon de données n'est pas encore assez large pour une pleine considération statistique, et que le catalogue actuel doit être utilisé en comprenant que les métriques de performance dérivées des simulations peuvent ne pas se traduire pleinement dans les applications réelles sans un raffinement ultérieur des simulations.