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

技术摘要：用于 $\gamma$ 射线天空中模型无关搜索的弱监督机器学习

问题陈述
$\gamma$ 射线天空（特别是通过 Fermi Large Area Telescope [Fermi-LAT] 观测到的）包含大量的未关联源，这些源可能代表新的天体物理群体或奇异物理现象（例如暗物质子晕、轴子-光子振荡）。虽然机器学习（ML）已成为源分类和新物理搜索的核心，但现有方法过度依赖于全监督训练。这要求为测试的每种假设都必须具备显式的、带标签的信号模型。一个关键的局限性在于，当真实的奇异信号偏离了假设的训练模型时，会导致分类器的灵敏度显著下降。此外，在无法获得事件级标签或信号模型仅部分明确的情况下，全监督方法并不适用。

方法论
本研究探索了弱监督分类作为一种对模型依赖性较低的替代方案。其核心策略采用了**背景与混合样本（Background-versus-Mixture, BvM）**设置：

• 训练数据： 分类器不是在带有信号和背景标签的事件上进行训练，而是在两个具有不同信号成分比例、但背景分布完全相同的样本上进行训练。
  • 样本 $B$（背景）：纯天体物理背景 $p_A(x)$。
  • 样本 $M$（混合样本）：混合分布 $f p_E(x) + (1-f) p_A(x)$，其中 $f$ 是信号比例，$p_E(x)$ 是奇异信号分布。
• 理论基础： 在背景成分在两个样本中分布一致的假设下，训练用于区分 $B$ 与 $M$ 的分类器会学习到一个在最优似然比 $p_E(x)/p_A(x)$ 上单调的评分。这使得在不需要单个事件标签或预先知道信号比例的情况下，能够识别出类信号子集。
• 分类器架构： 作者使用提升决策树（BDTs）（具体为 sklearn 中的 GradientBoostingClassifier）作为默认分类器。选择 BDTs 而非神经网络，是因为它们在处理噪声或相关输入时更具稳定性、鲁棒性且易于优化。输入特征是标准能量波段中的低级谱通量（针对脉冲星/AGN/DM 为 7 个 bin，针对 ALP 搜索为 50 个 bin），以保持模型无关的基准。
• 数据增强： 为了处理类别不平衡并探测微小信号比例，作者利用**正规化流（Normalizing Flows）**生成合成背景谱（特别针对 AGN），使其符合观测源的统计特性。

主要贡献与应用
本文通过三个不同的物理场景验证了该方法，并将弱监督结果与全监督基准进行了对比：

1. 脉冲星 vs. 活动星系核 (AGN) —— 受控基准：

   • 设置： 使用 4FGL 星表，将脉冲星视为信号，AGN 视为背景。
   • 结果： 弱监督方法成功识别出了脉冲星。随着混合样本中信号比例的增加，真阳性率（TPR）上升并接近全监督基准的表现。假阳性率（FPR）保持稳定。这证明了当信号与背景在光谱上具有显著差异时，弱监督可以恢复近乎最优的性能。

2. 暗物质子晕 —— 模型依赖型挑战：

   • 设置： 将模拟的子晕能谱（WIMP 湮灭为 $b\bar{b}$）注入到由已识别的天体物理源组成的背景中。
   • 结果： 由于子晕与天体物理源之间存在光谱重叠，该问题更具挑战性。虽然弱监督可以在没有显式信号标签的情况下识别类子晕能谱，但与全监督基准相比仍存在性能差距。TPR 较低，且 FPR 略高，这反映了 BvM 设置在低信号比例时的保守决策边界。然而，该方法避免了需要为每个特定的暗物质质量或湮灭通道假设进行重新训练的需求。

3. 轴子类粒子 (ALP) 振荡 —— 光谱不规则性：

   • 设置： 该搜索针对的是由银河系磁场引起的脉冲星能谱中细微的、振荡性的光谱变形（“波纹”），而非一种新的源群体。
   • 结果： 研究使用 GammaALPs 工具和 Jansson-Farrar 银河系磁场模型模拟了调制能谱。作者对比了检测这些调制所需的监督与弱监督策略。结果强调了在高度类别不平衡（10% 信号）的情况下检测细微光谱特征的难度，即使在监督情况下 TPR 依然很低。研究表明，弱监督是一种有效的策略，可用于根据光谱不规则性对候选目标进行排序，而无需扫描完整的 ALP 参数空间（$m_a, g_{a\gamma}$）。

关键结果

• 性能： 在“干净”的基准测试（脉冲星 vs. AGN）中，弱监督方法接近全监督分类器的性能。在更复杂的重叠场景（暗物质）中，它提供了一个稳健但灵敏度稍低的替代方案，降低了对特定信号模板的依赖。
• 信号比例依赖性： 分类性能（特别是 TPR）通常随着混合样本中信号比例的增加而提高，因为混合样本与纯背景样本之间的差异变得更加显著。
• 鲁棒性： 该方法成功识别了数据中的异常子集，同时减少了在训练阶段对详细信号建模的依赖。

意义与主张
作者将这项工作定位为并非旨在取代专门的基于似然的搜索，或作为最大化计数实验发现显著性的直接工具。相反，他们声称弱监督学习是一种补充性的候选者筛选与异常排序策略。

• 模型无关性： 它允许分析那些信号模型不确定、仅部分明确或无法获得事件级标签的 $\gamma$ 射线数据。
• 优先级排序： 该方法可以对大型 $\gamma$ 射线星表（如未关联源）中的有趣目标进行优先级排序，以便随后进行专门的模型依赖型分析、多波段观测或后续测量。
• 验证： 通过从受控基准逐步推进到日益微妙的场景，本文确立了弱监督在受控条件下的预期行为，为未来解决现实的选择效应和领域偏移的研究奠定了基础。

文章总结道，弱监督学习为 $\gamma$ 射线数据分析工具箱提供了一个灵活的补充，架起了机器学习与粒子物理发展与天体物理应用之间的桥梁。