迁移学习在瞬变分类中的应用：从模拟数据到真实数据及从 ZTF 到 LSST-计算机科学-机器学习-天文学瞬变自动分类.pdfVIP

A

MNRAS000,1–8(2025)Preprint2025年7月19日CompiledusingMNRASLTXstylefilev3.3

E

迁移学习在瞬变分类中的应用：从模拟数据到真实数

据及从ZTF到LSST

121345

RithwikGupta,DanielMuthukrishna,NabeelRehemtulla,

1KavliInstituteforAstrophysicsandSpaceResearch,MassachusettsInstituteofTechnology,Cambridge,MA02139,USA

2IrvingtonHighSchool,41800BlacowRd,Fremont,CA94538,USA

3DepartmentofPhysicsandAstronomy,NorthwesternUniversity,2145SheridanRoad,Evanston,IL60208,USA

4CenterforInterdisciplinaryExplorationandResearchinAstrophysics(CIERA),1800ShermanAve.,Evanston,IL60201,USA

本5NSF-SimonsAIInstitutefortheSky(SkAI),172E.ChestnutSt.,Chicago,IL60611,USA

译

中

2

v接受XXX。收到YYY；原始形式ZZZ

8

5

5ABSTRACT

8

1机器学习已成为天文学瞬变自动分类的重要工具，但当前的方法面临重大限制：基于模拟训练的分类器难以应对真实

.

2数据，为一个调查开发的模型不能轻易应用于另一个调查，而新的调查则需要数量庞大的标记训练数据。随着我们接

0近维拉·C·鲁宾天文台的空间与时间遗产调查（LSST）时代，这些挑战变得尤为紧迫，在这个时代现有的分类模型

5

2将需要使用LSST观测结果重新训练。我们展示了迁移学习可以克服这些问题，通过重新利用已有的基于模拟或来自

:

v其他调查的数据进行训练的模型。从一个基于Zwicky瞬变设施（ZTF）光曲线模拟数据训练的模型开始，我们表明迁

i

x移学习减少了95%所需的真实ZTF瞬变事件标记数据量，同时保持与从头训练模型相当的表现。类似地，在将ZTF

r

a模型适应LSST模拟时，迁移学习实现了基准性能的94%，仅需30%的训练数据。这些发现对LSST早期操作具有重

要意义，表明在调查开始后不久即可实现可靠的自动分类，而无需等待数月或数年以积累足够的训练数据。

Keywords:调查–超新星：一般–软件：机器学习–技术：光度测量技术

1介绍ishnaetal.2019;MöllerdeBoissière2020;Boone2019;

Gomezetal.2020;Villaretal.2019,2020;Carrasco-

随着先进调查望远镜的发展，我们正进入天文学研究

Davisetal.2021;Boone2021;Quetal.2021;Gagliano

的新时代。VeraRubin天文台的空间和时间遗产调查

etal.2021;Muthukrishnaetal.2022;Pimenteletal.2023;

(LSST;Ivezićetal.2019)预计