Classification of blazars based on data-driven approaches

技术摘要：基于数据驱动方法的耀Blazar（Blazar）分类研究

问题陈述
活动星系核（AGN），特别是耀Blazar（Blazar），在光学光变曲线中表现出独特的变率特征。然而，仅基于光学数据对耀Blazar（包括BL Lac天体和扁谱射电类星体 FSRQ）进行稳健分类具有挑战性。在光学波段，耀Blazar所特有的高度可变的非热喷流辐射可能会受到宿主星系稳定的光线以及吸积盘和宽发射线区（BLR）中中度可变热辐射的污染或抑制。因此，耀Blazar可能与普通AGN表现相似，使得仅凭光学变率本身在没有多波段确认的情况下，无法作为一种充分的分类标准。虽然$\gamma$射线数据能提供更纯净的喷流信号，但其观测对象局限于最亮的源，且需要光谱随访来进行确定性分类，这非常耗费资源。本研究旨在解决开发一种仅依赖光学光变曲线来区分耀Blazar与非耀Blazar AGN的替代分类策略的需求。

方法论
本研究利用了来自Gaia DR3（G波段，2014–2017）和Pan-STARRS（组合光变曲线，2010–2014）巡天的光学光变曲线数据。数据集包括：

• 已知源： 约2,500个耀Blazar（来自Roma-BZCAT目录）以及一组平衡的约2,500个非耀Blazar AGN（来自Gaia变星AGN目录）。
• 未知源： 21,733个缺乏其他目录对应物的AGN候选天体。

特征提取使用 FATS（时间序列特征分析）库进行，生成了标准统计描述符（如振幅、自相关性、通量百分位数）以及基于文献方法的自定义算法（如阻尼随机游走模型，Damped Random Walk models）。最初提取并归一化了总计约70个特征。

核心方法采用了两种机器学习方法：

1. 监督分类（LightGBM）： 使用Light Gradient-Boosting Machine模型在标记的“已知”数据集上进行训练，并采用五折交叉验证策略。通过GridSearchCV对超参数（$learning\_rate$, $n\_estimators$, $colsample\_bytree$）进行了优化。
2. 半监督学习（自训练分类器 - STC）： 为了对“未知”天体进行分类，实现了一个自训练循环。一个初始的LightGBM模型在已知数据上训练，通过迭代为置信度高（阈值 > 0.95）的未标记天体分配伪标签，从而不断扩大训练集直至收敛。

特征选择
为了应对高维特征空间的问题，应用了 BoostBoruta 算法（一种基于梯度提升的Boruta扩展方法）。该方法通过将原始特征与随机化的“影子”特征进行比较来识别相关特征。此外，集成了SHAP（SHapley Additive exPlanations）值以增强特征选择的可解释性，从而量化单个特征对模型预测的贡献。

关键结果

• 监督性能： LightGBM模型在已知数据集上的准确率达到了 86% (±0.012)。针对耀Blazar和非耀Blazar类别的精确率、召回率和F1分数均超过了 80–85%。
• 特征降维： BoostBoruta成功将特征空间从约70个减少到 13个关键特征（包括 Mean、Eta_e、DRW_tau、CAR_sigma 等），同时保持了与全特征集相当的性能（准确率：0.856 ± 0.012）。
• 半监督性能： 自训练分类器在包含21,733个未知天体的扩展数据集上的准确率达到了 85% (±0.013)。其性能指标与监督基准保持一致，验证了伪标签方法的可靠性。
• 特征重要性： 在所有实验中识别出的三个最关键特征是 Mean（平均星等）、Eta_e（平均连续星等差平方与方差的比值）以及 DRW_tau（阻尼随机游走模型的弛豫时间）。这些特征反映了耀Blazar快速、剧烈的变率与以吸积盘为主的AGN较为平滑演化之间的物理差异。

意义与主张
本文声称其主要贡献在于证明了仅利用 光学时间序列数据 即可对耀Blazar与非耀Blazar AGN进行分类的可行性，而不依赖于多波段信息（射电、X射线、$\gamma$射线）或光谱随访。作者强调，这种方法利用了来自Gaia、Pan-STARRS以及即将到来的Rubin-LSST等大规模巡天中丰富且易于获取的数据。

研究指出，尽管耀Blazar与其他AGN在光学变率特征上存在物理重叠，但数据驱动方法可以实现稳健的区分。自训练方法在大量未标记候选天体中的成功应用，表明该方法可以扩展到未来的巡天任务，有望识别出数以万计的新耀Blazar候选天体。这项工作为仅通过光学变率进行高效的AGN群体级研究奠定了基础，解决了当前分类瓶颈的限制。