抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
銀河周辺の超コンパクト矮性(UCD)とGlobalクラスタ(GC)のようなコンパクトな恒星系は,これらの銀河を形成する合併イベントのトレーサであることが知られている。したがって,そのようなシステムの同定は銀河質量集合,形成および進化の研究を可能にする。しかし,イメージングデータを用いたUCD/GCを検出する分光情報の欠如は,非常に不確実である。ここでは,6つのフィルタ,すなわちu,g,r,i,JおよびKsにおけるFornax銀河クラスタの多波長イメージングデータを用いて,前景星および背景銀河からこれらのオブジェクトを分離するために機械学習モデルを訓練することを目指した。オブジェクトのクラスは,多くの自動分類技術にとって問題となる高度に不均衡である。したがって,著者らは,訓練データの不均衡を処理するために,合成Minority Overサンプリングを採用した。次に,2つの分類器,即ち,局所一般化行列学習ベクトル量子化(LGMLVQ)とランダムフォレスト(RF)を比較した。両方法は,UCDs/GCを精度および>93%の再現率で同定することができ,分類に対する各特徴次元(色および角サイズ)の重要性を反映する関連性を提供した。両方法は,この分類問題の重要なマーカーとして角サイズを検出する。u-iとi-Kの色指数が最も重要な色である天文学的期待であるが,著者らの解析は,g-rのような色が,より高い信号対雑音比のため,より有益であることを示した。優れた性能に加えて,LGMLVQ法は,各個別クラス,クラスワイズ代表サンプルに対する特徴の重要性と,この貢献で実証されたデータの非線形可視化の可能性を提供することにより,更なる解釈性を可能にする。UCDs/GCを同定する機械学習技術の採用は有望な結果をもたらすと結論した。【JST・京大機械翻訳】