The miniJPAS survey quasar selection V: combined algorithm

技术摘要：miniJPAS 巡天类星体选择 V. 组合算法

问题陈述
光度巡天产生了庞大的数据集，需要高效的目标分类和红移估计，以支持光谱后续观测以及诸如利用莱曼-$\alpha$（Lyman-$\alpha$）吸收进行重子声学振荡（BAO）研究等宇宙学研究。虽然针对 miniJPAS 数据已经开发了各种机器学习算法来区分类星体与恒星及星系，但这些算法往往会产生略有不同的目录。挑战在于如何优化地结合这些多样化的算法输出，以最大限度地提高最终类星体目录的纯度（最小化污染）和完备性（最大化探测），同时改进光度红移估计。

方法论
本研究提出了一种“组合算法”，它作为一个元分类器（meta-classifier），整合了先前开发的八个独立机器学习分类器和两个红移估计器的输出。

1. 数据源：

   • miniJPAS 数据： 分析利用了 miniJPAS 数据发布，覆盖约 1 deg$^2$ 的区域，包含 56 个窄带滤光片外加 4 个 SDSS 宽带滤光片。样本限制在 $r$ 波段星等 $17.0 < r \le 23.5$（在某些测试中扩展至 24.3），并主要关注点源（$ERT \ge 0.1$）。
   • 模拟数据（Mocks）： 用于训练和初步验证。这些模拟数据基于经过 J-PAS 滤光片卷积处理的 SDSS 光谱，包含等数量的恒星、星系和类星体，以便于训练。
   • 真实数据： 使用与 miniJPAS 交叉匹配的 DESI 早期数据发布（EDR）作为独立的真值表，用以验证其在真实观测中的性能。

2. 输入特征：
   该组合模型并不直接使用原始光度数据。相反，它摄取来自八个独立分类器（CNN1, CNN1NE, CNN2, RF, LGBM, ANN1, ANN2, 和 SQUEZE）和两个模板拟合红移估计器（QPz 和 LePhare）的置信度分数和红移估计值。

   • 分类： 一个随机森林分类器被训练用于根据各个算法的置信度输出，预测最终类别（恒星、星系、低红移类星体、高红移类星体）。
   • 红移估计： 一个随机森林回归器（通过 XGBoost 实现）被训练用于精炼红移估计。值得注意的是，训练指标是归一化中值绝对偏差（$\sigma_{NMAD}$）而非均方误差（MSE），以便更好地处理光度红移误差的非高斯特性。对于亮天体（$r < 22$），保留 QPz 估计值，因为它们的表现优于集成模型。

3. 评估指标：
   性能通过 F1 分数（纯度和完备性的调和平均值）、纯度和完备性以及用于衡量红移精度的 $\sigma_{NMAD}$ 进行评估。

核心贡献

• 集成学习： 本文引入了一种第二层机器学习方法，能够优化地结合八个不同算法的输出，而非依赖于单一模型。
• 特征重要性分析： 研究量化了输入算法的相对重要性，揭示了 CNN1 算法在组合决策中占据主导地位，而 CNN2 和 ANN1 提供了显著的次要贡献。
• 红移精炼： 开发了一个专门的回归器来改进红移估计，特别针对通过利用 SQUEZE 等其他算法的替代估计值来减少灾难性离群值（谱线混淆），即使这些算法在处理亮天体时不如 QPz 精确。
• 真实数据验证： 不同于该系列之前的仅依赖模拟数据的工作，本文通过 DESI EDR 验证了组合算法，为基于模拟的性能表现提供了关键的现实检验。

结果

• 在模拟数据上的表现：

  • 组合算法在模拟测试集上优于所有单个分类器。
  • 对于高红移类星体（$z \ge 2.1$）且 $r \le 23.5$ 的情况，组合算法实现了 0.88 的 F1 分数（纯度：0.91，完备性：0.85）。
  • 对于低红移类星体（$z < 2.1$）且 $r \le 23.5$ 的情况，F1 分数为 0.79（纯度：0.79，完备性：0.79）。
  • 模拟数据上的红移精度显示，整体 $\sigma_{NMAD} = 0.11$，其中高红移类星体 $\sigma_{NMAD} = 0.03$，低红移类星体 $\sigma_{NMAD} = 0.19$。

• 在真实数据上的表现（DESI EDR）：

  • 当应用于 DESI 交叉匹配时，性能动态发生了显著变化。组合算法 并未 优于单个分类器；事实上，其性能相对于模拟结果有所下降。
  • 具体而言，驱动组合模型的 CNN1 算法在真实数据上的纯度较模拟数据出现了显著下降。
  • 相反，像 SQUEZE 和随机森林（RF）这样在模拟数据中表现较差的算法，在真实数据上显示出实质性的性能提升。
  • 真实数据上的红移精度出人意料地高，$\sigma_{NMAD} = 0.02$，明显优于模拟预测的 0.11。

• 目录生成：

  • 发布了两个目录：一个针对点源（784 个类星体）和一个包含扩展源的目录（11,487 个类星体）。
  • 作者指出扩展源的数量高得不合理，表明组合算法对于非点状目标并不稳健。
  • 为了符合理论预期（Palanque-Delabrouille 等人，2016），建议对点源采用 $\ge 0.67$ 的置信度阈值，这在 $r=23$ 时会得到约 298 个类星体。

意义与局限性
论文得出结论，虽然组合算法成功优化了多种机器学习方法的集成，但模拟数据与真实数据表现之间的差异表明，模拟数据不够真实。作者将其归因于模拟数据是基于 SDSS 光谱的，未能完全捕捉到较暗天体的特性或 DESI/miniJPAS 重叠区域特定的噪声特征。

这项工作的意义在于证明了：

1. 集成方法可以在模拟数据上优化类星体选择。
2. 当前的模拟数据可能会导致在过渡到真实数据时出现过拟合或对算法重要性的误判。
3. 需要一个更精细版本的模拟数据，以充分验证组合方法并妥善处理扩展源。

作者谦虚地表示，目前的数据样本尚不足以进行完整的统计考量，在使用当前目录时，应理解其基于模拟数据的性能指标可能无法在没有进一步模拟改进的情况下完全转化到实际应用中。