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

Resumo Técnico: Aprendizado de Máquina Fracamente Supervisionado para Buscas Model-Agnósticas no Céu de Raios $\gamma$

Definição do Problema
O céu de raios $\gamma$, particularmente como observado pelo Fermi Large Area Telescope (Fermi-LAT), contém uma população significativa de fontes não associadas que podem representar novas populações astrofísicas ou física exótica (ex: subhalos de matéria escura, oscilações axion-fóton). Embora o aprendizado de máquina (ML) tenha se tornado central para a classificação de fontes e buscas de nova física, as abordagens existentes dependem fortemente de treinamento totalmente supervisionado. Isso exige modelos de sinal explicitamente rotulados para cada hipótese testada. Uma limitação crítica surge quando o verdadeiro sinal exótico desvia do modelo de treinamento assumido, levando a uma redução significativa na sensibilidade do classificador. Além disso, métodos totalmente supervisionados são inadequentes para cenários onde rótulos ao nível do evento não estão disponíveis ou onde o modelo de sinal é apenas parcialmente especificado.

Metodologia
Este trabalho explora a classificação fracamente supervisionada como uma alternativa menos dependente de modelos. A estratégia central emprega uma configuração de background-versus-mixture (BvM) (fundo versus mistura):

• Dados de Treinamento: Em vez de eventos de sinal e fundo rotulados, os classificadores são treinados em duas amostras com proporções diferentes da componente de sinal, mas com distribuições de fundo idênticas.
  • Amostra $B$ (Background/Fundo): Fundo astrofísico puro $p_A(x)$.
  • Amostra $M$ (Mixture/Mistura): Uma mistura $f p_E(x) + (1-f) p_A(x)$, onde $f$ é a fração de sinal e $p_E(x)$ é a distribuição do sinal exótico.
• Base Teórica: Sob a suposição de que a componente de fundo é distribuída identicamente em ambas as amostras, um classificador treinado para distinguir $B$ de $M$ aprende um escore monótono no razão de verossimilhança (likelihood ratio) ótimo $p_E(x)/p_A(x)$. Isso permite a identificação de subconjuntos semelhantes ao sinal sem exigir rótulos individuais de eventos ou conhecimento prévio da fração de sinal.
• Arquitetura do Classificador: Os autores utilizam Árvores de Decisão Impulsionadas (BDTs) (especificamente o GradientBoostingClassifier do sklearn) como o classificador padrão. Os BDTs foram escolhidos em vez de redes neurais por sua estabilidade, robustez a entradas ruidosas/correlacionadas e facilidade de otimização. As características de entrada são fluxos espectrais de baixo nível em bandas de energia padrão (7 bins para pulsar/AGN/DM e 50 bins para buscas de ALP) para manter uma linha de base model-agnostic.
• Aumento de Dados (Data Augmentation): Para lidar com o desequilíbrio de classes e investigar pequenas frações de sinal, os autores empregam fluxos normalizantes (normalizing flows) para gerar espectros de fundo sintéticos (especificamente para AGN) que correspondam às propriedades estatísticas dos objetos observados.

Principais Contribuições e Aplicações
O artigo valida esta abordagem através de três distintos cenários físicos, comparando resultados fracamente supervisionados contra benchmarks totalmente supervisionados:

1. Pulsares vs. Núcleos Ativos de Galáxias (AGN) – Benchmark Controlado:

   • Configuração: Usando o catálogo 4FGL, os pulsares são tratados como o sinal e os AGN como o fundo.
   • Resultado: A abordagem fracamente supervisionada identifica com sucesso os pulsares. À medida que a fração de sinal na mistura aumenta, a Taxa de Verdadeiros Positivos (TPR) sobe e aproxima-se do desempenho do benchmark totalmente supervisionado. A Taxa de Falsos Positivos (FPR) permanece estável. Isso demonstra que a supervisão fraca pode recuperar um desempenho próximo ao ótimo quando o sinal e o fundo são espectralmente distintos.

2. Subhalos de Matéria Escura – Desafio Dependente de Modelo:

   • Configuração: Espectros de subhalos simulados (aniquilação de WIMP em $b\bar{b}$) são injetados em um fundo de fontes astrofísicas identificadas.
   • Resultado: O problema é mais desafiador devido à sobreposição espectral entre subhalos e fontes astrofísicas. Embora a supervisão fraca possa identificar espectros semelhantes a subhalos sem rótulos de sinal explícitos, uma lacuna de desempenho permanece em comparação com a linha de base totalmente supervisionada. A TPR é menor e a FPR é ligeiramente maior, refletindo a fronteira de decisão conservadora inerente à configuração BvM em baixas frações de sinal. No entanto, o método evita a necessidade de retreinar para cada hipótese específica de massa de matéria escura ou canal de aniquilação.

3. Oscilações de Partículas Semelhantes a Axions (ALP) – Irregularidades Espectrais:

   • Configuração: A busca visa deformações espectrais oscilatórias sutis ("wiggles") em espectros de pulsares induzidas pela mistura fóton-ALP em campos magnéticos galácticos, em vez de uma nova população de fontes.
   • Resultado: O estudo simula espectros modulados usando a ferramenta GammaALPs e o modelo de campo magnético galáctico de Jansson-Farrar. Os autores comparam estratégias supervisionadas e fracamente supervisionadas para detectar essas modulações. Os resultados destacam a dificuldade de detectar características espectrais sutis com alto desequilíbrio de classe (10% de sinal), onde a TPR permanece baixa mesmo no caso supervisionado. A abordagem fracamente supervisionada mostra-se uma estratégia viável para ranquear candidatos baseando-se em irregularidades espectrais sem escanear todo o espaço de parâmetros de ALP ($m_a, g_{a\gamma}$).

Principais Resultados

• Desempenho: No benchmark "limpo" (Pulsar vs. AGN), a supervisão fraca aproxima-se do desempenho de classificadores totalmente supervisionados. Em cenários mais complexos e com sobreposição (Matéria Escura), ela fornece uma alternativa robusta, embora ligeiramente menos sensível, que reduz a dependência de modelos de sinal específicos.
• Dependência da Fração de Sinal: O desempenho da classificação (especificamente a TPR) geralmente melhora conforme a fração de sinal na mistura aumenta, uma vez que a diferença entre o fundo puro e as amostras mistas torna-se mais pronunciada.
• Robustez: O método identifica com sucesso subconjuntos anômalos de dados enquanto reduz a dependência de modelagem detalhada de sinal durante a fase de treinamento.

Significância e Alegações
Os autores posicionam este trabalho não como um substituto para buscas dedicadas baseadas em verossimilhança (likelihood-based) ou uma ferramenta direta para maximizar a significância de descoberta em experimentos de contagem. Em vez disso, eles alegam que o aprendizado fracamente supervisionado serve como uma estratégia complementar de seleção de candidatos e ranqueamento de anomalias.

• Model Agnosticism (Agnosticismo de Modelo): Permite a análise de dados de raios $\gamma$ onde o modelo de sinal é incerto, apenas parcialmente especificado ou onde rótulos ao nível do evento não estão disponíveis.
• Priorização: O método pode priorizar alvos interessantes em grandes catálogos de raios $\gamma$ (como fontes não associadas) para estudo subsequente via análises dedicadas dependentes de modelo, observações multi-comprimento de onda ou medições de acompanhamento.
• Validação: Ao progredir de um benchmark bem controlado para cenários cada vez mais sutis, o artigo estabelece o comportamento alcançável da supervisão fraca sob condições controladas, lançando as bases para estudos futuros que abordem efeitos de seleção realistas e deslocamentos de domínio (domain shifts).

O artigo conclui que o aprendizado fracamente supervisionado fornece uma adição flexível ao conjunto de ferramentas para a análise de dados de raios $\gamma$, unindo desenvolvimentos em aprendizado de máquina e física de partículas com aplicações astrofísicas.