星系形态分类:不确定性建模与分布外检测

《Astronomy and Computing》:Galaxy morphology classification: Uncertainty modeling and out of distribution detection

【字体: 大 中 小 】 时间:2026年08月28日 来源:Astronomy and Computing 2.6

编辑推荐:

   摘要 我们提出了一个综合的星系形态分类框架,结合了增强的"分布外(OOD)"检测与改进的不确定性量化。利用"Galaxy Zoo DECaLS"数据集,我们在三种配置下训练了ResNet-34架构:标准交叉熵损失作为基线、用于OOD检测的IsoMaxPlus(各向同性最大化

  

摘要

我们提出了一个综合的星系形态分类框架,结合了增强的"分布外(OOD)"检测与改进的不确定性量化。利用"Galaxy Zoo DECaLS"数据集,我们在三种配置下训练了ResNet-34架构:标准交叉熵损失作为基线、用于OOD检测的IsoMaxPlus(各向同性最大化Plus)损失函数,以及用于增强不确定性量化的混合IsoMaxPlus+蒙特卡洛(MC)Dropout。IsoMaxPlus用基于距离的类别表示取代了传统的SoftMax logits,保留了类间可分性并实现了可靠的OOD检测,无需额外的架构修改或超参数调节。将IsoMaxPlus与MC Dropout结合,通过在推理期间执行多次随机前向传播,提供了快速的贝叶斯近似。我们的结果表明,IsoMaxPlus大幅改善了OOD检测,使TNR@TPR95相对于交叉熵基线提高了近90%,同时在九个形态类别上保持了97%的竞争性准确率。此外,结合MC Dropout后,模型产生了更稳定的预测并降低了校准误差,提供了更可靠的不确定性估计。相对于基线,IsoMaxPlus的期望校准误差(ECE)从0.0095降至0.0026(约73%),结合MC Dropout时为0.0033(约65%)。错误分类或置信度不足的预测表现出较高的预测熵和较低的最低距离得分,提供了一种可解释的指标来识别不可靠的预测。IsoMaxPlus在训练过程中无需额外的训练或异常示例即可在"分布内(ID)"与OOD样本之间产生有效的分离。这些方法非常适合当前和即将开展的大规模巡天,其中可靠的自动形态分类和对不确定性的认识对于识别罕见或此前未见的星系形态至关重要。

引言

星系形态长期以来一直是星系形成与演化研究的基石。星系形态与天体物理和宇宙学的众多领域密切相关。形态信息已被用于研究恒星质量(Bundy等,2005)、恒星形成历史(Kennicutt,1998)、星系颜色、气体和尘埃含量(Lianou等,2019)、星系年龄(Bernardi等,2010)、动力学演化研究(Romanowsky和Fall,2012),甚至修正引力理论的检验(Desmond和Ferreira,2020)。关于星系形态与天体物理不同领域关联的更全面综述可参阅Conselice(2014)。

20世纪20年代初,哈勃(1926)根据形状和特征将星系分为椭圆星系和旋涡星系,并在其修订论文中引入了调谐叉模型(Hubble,1936)。后来,这些星系分类被细化,包括透镜状星系、环状结构等额外特征(de Vaucouleurs,1959;Sandage等,1975;Elmegreen和Elmegreen,1987)。关于星系形态分类历史发展的更多细节可参阅其他文献(Abraham和van den Bergh,2001;Masters,2025)。然而,形态学研究受到有限观测和人力资源的制约,以及进行此类艰巨人工推断的成本限制。作为解决方案,大多数天文学家转向通过参数回归或公民科学项目(如Galaxy Zoo)来自动化这些任务(Lintott等,2008)。传统上,形态学研究通过视觉检查完成。然而,人工分类受时间、劳动力和所需专业知识限制,难以应对日益庞大的天文数据集。解决方案包括社区驱动的分类任务或自动化。社区日益采用自动化方法,包括参数方法和公民科学倡议如Galaxy Zoo(Lintott等,2008)。尽管如此,大规模天文巡天的出现,包括斯隆数字巡天(SDSS)(SDSS Collaboration等,2025)、超高分辨率相机(HSC)(Aihara等,2018)、Euclid(Laureijs等,2011)以及即将发射的南希·格雷斯·罗曼太空望远镜(Spergel等,2015),极大地增加了天文数据的体量和复杂性,使纯粹视觉分类变得不切实际(Abraham和van den Bergh,2001)。

为了高效处理这些数据洪流,机器学习和深度学习方法已成为星系形态分类的必要工具(Ting,2025)。特别是,卷积神经网络(CNN)在从成像数据中自动识别形态类别方面展现了显著的成功。利用Galaxy Zoo、SDSS、DECaLS和其他巡天数据的深度学习应用于星系形态分类的非穷尽列表可参阅Dieleman等(2015)、Beck等(2018)、Tuccillo等(2017)、Barchi等(2020)、Gupta等(2022)、Spindler等(2021)、Bhambra等(2022)、Cao等(2024)、Luo等(2025)、Lee等(2025)、Howie等(2025)(及其参考文献)。

尽管取得了这些进展,大多数标准深度学习分类器在假设测试样本与训练数据来自同一ID群体的情况下进行训练。在实际中,天文巡天图像通常包含许多违反此假设的物体。这些包括罕见形态、并合系统、强扰动星系、观测伪影或其他此前未见的天体物理现象。此类OOD样本往往被强制归入已知类别并被赋予高置信度,尽管它们与训练数据存在差异。这种行为可能导致忽略异常、罕见或新颖的结构,并降低下游推断的可靠性。

认识到这些挑战,近期的天文研究已开始探索异常检测和OOD相关方法。基于变分自编码器(VAE)和Wasserstein生成对抗网络(WGAN)的生成方法已被用于在广角成像巡天中识别并合和潮汐特征(Storey-Fisher等,2021;Margalef-Bentabol等,2020)。半监督自适应框架如DeepAtroUDA已被用于在不同巡天(例如SDSS、DECaLS、LSST)之间以及未知类别聚类之间对齐特征分布,从而实现异常检测以验证跨巡天的形态变化(?iprijanovi?等,2023)。OOD检测也已被用于测光红移估计,其中恒星和类星体被视为相对于ID星系的离群值(Lee和Shin,2022)。最近,Mohale和Lochner(2024)展示了自监督表示学习在Galaxy Zoo DECaLS数据集上的应用,使用Bootstrap Your Own Latent(BYOL)(Grill等,2020),该方法产生了自然根据形态对星系聚类的低维嵌入并促进异常发现。然而,这些方法侧重于表示学习、异常识别或域自适应,而非基于分类器的显式OOD检测。

不确定性感知的深度学习方法也已在天文学中得到探索。应用于Galaxy Zoo数据的贝叶斯神经网络产生了校准良好的后验标签分布,并支持主动学习(Walmsley等,2020;Walmsley等,2022;Walmsley等,2023)。然而,该工作主要侧重于预测不确定性和标签效率,而非评估OOD检测性能。

尽管有上述工作,但仍需要一个系统的、基于分类器的OOD检测器,能够针对巡天图像独特地结合预测不确定性与能量/logits感知评分以及OOD指标。IsoMaxPlus(及其变体)已被证明在广泛的机器学习文献中对于通过利用各向同性的、基于距离的logits来改善基于熵和能量的OOD检测是有效的。这些logits比SoftMax产生更高熵的后验分布,符合最大熵原理(Macêdo等,2020;Macêdo和Ludermir,2021)。将IsoMax(及其变体)与贝叶斯近似方法如MC Dropout结合在天体物理中仍 largely 未探索。特别是,尚不清楚IsoMaxPlus诱导的logits行为特征和MC Dropout不确定性如何共同影响能量、最大logits和OOD距离得分。天文领域现有的大多数工作侧重于异常检测(Lochner和Bassett,2021)或域自适应,而非评估置信预测和OOD检测的显式指标。与先前工作相比,我们的研究提供了针对Galaxy Zoo DECaLS数据集上形态OOD检测的IsoMaxPlus和MC Dropout的首批系统性评估之一,并进行了全面的OOD指标校准。

在本工作中,我们提出了一个利用暗能量相机遗产巡天(DECaLS)图像进行星系形态OOD检测的新颖框架。我们引入了一个框架,将用于特征提取的深度学习模型与基于IsoMaxPlus的用于在特征空间中识别异常样本的方法相结合。此外,我们利用MC Dropout——一种贝叶斯近似方法——来量化模型的认识论不确定性并进一步改善异常样本的检测。我们利用庞大的DECaLS数据集,该数据集包含数百万张跨越多个光度波段的星系高质量图像,开发了一个鲁棒且可扩展的OOD检测流水线。我们通过多种配置下的实验,结合定量指标、定性示例和可视化来展示所提方法的有效性。

我们将本工作的主要目标和贡献总结如下:
- 首次将IsoMaxPlus损失函数应用于天文图像分类;
- 将IsoMaxPlus与蒙特卡洛Dropout集成,建立统一的不确定性量化和OOD检测框架;
- 在Galaxy Zoo DECaLS数据集上对三种配置进行系统评估。

本文结构如下。第2节描述用于分析的数据集。第3节讨论所用方法。第4节讨论实验设计和评估指标。第5节包含结果和讨论。第6节总结结论。

数据集

我们现在讨论用于分析的DECaLS数据集。DECaLS(Dey等,2019)作为暗能量光谱仪器(DESI)项目更大范围天空巡天的一部分(DESI Collaboration等,2022),提供了覆盖约9000平方度天空的g、r和z波段深度光学成像。DECaLS观测是在智利塞罗·托洛罗-美洲际天文台(CTIO)的4米布兰科望远镜上使用5700万像素暗能量相机(DECam)完成的。

方法

本节概述了全面的实验框架,旨在严格评估应用于天文成像的深度学习模型的分类效能和不确定性量化能力。本工作的动机是评估模型在不同输入下的可靠性,重点关注代表特征明确的天体物理特征的ID样本和模拟此前未见或未知视觉特征的OOD样本。此类探索对于……

实验设计与评估指标

本节描述了用于评估所提技术分类性能、校准质量和不确定性估计的实验框架。目标是突出架构在不同模型配置下的行为差异,针对ID和OOD两种情况,这对于天文数据的自动化分析至关重要。为此,我们设计了一系列受控实验,涉及多个基于ResNet-34构建的神经网络架构。

结果与讨论

在本节中,我们比较了在DECaLS星系形态数据集上评估的三种变体的分类、校准和OOD检测能力。标准交叉熵模型作为基线使用,而IsoMaxPlus和混合IsoMaxPlus+MC Dropout模型利用不确定性感知能力。我们报告标准分类指标,如第4.5节所讨论的,包括分类准确率和宏F1、用于OOD的熵和最低距离,以及……

结论

我们开发了一种不确定性感知的深度学习方法用于自动星系形态分类,结合了距离感知学习与贝叶斯不确定性估计。使用共享的ResNet-34骨干特征提取器,我们评估了三种推理技术:常规SoftMax交叉熵基线、基于原型的IsoMaxPlus分类,以及用于预测不确定性估计和OOD检测的混合框架(IsoMaxPlus+MC Dropout)。

所提的IsoMaxPlus……

CRediT作者贡献声明

Prem Prakash:方法、形式分析、数据整理、概念化。Shantanu Desai:写作——审阅与编辑、监督。P.K. Srijith:写作——审阅与编辑、监督、概念化。

利益冲突声明

作者声明不存在任何已知的竞争性财务利益或个人关系,这些利益或关系可能影响本文所报告的工作。

致谢

本工作得到了印度教育部(MoE)的支持。我们感谢印度理工学院海得拉巴分校和日本国际协力机构(JICA)提供的计算设施支持。我们也感谢匿名审稿人的建设性反馈和对稿件的许多有用意见。

Prem Prakash | Shantanu Desai | P.K. Srijith
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号