Clasificación profunda de curvas de luz multi-banda basada en atención

Abstract

En estudios astronómicos, como Zwicky Transient Facility (ZTF), las supernovas (SNe) son objetos poco comunes en comparación con otras clases de eventos astronómicos. Junto con esta escasez de datos, el procesamiento de curvas de luz multi-banda es una tarea desafiante debido a la cadencia altamente irregular, largos intervalos de tiempo, mediciones perdidas, baja cantidad de observaciones, etc. Estos problemas son particularmente perjudiciales para el análisis de eventos transitorios usando curvas de luz, especialmente SNe. En este trabajo, se ofrecen tres contribuciones principales. 1) Basándose en una modulación temporal y en mecanismos de atención, se propone un modelo llamado TimeModAttn que busca clasificar curvas de luz multi-banda de diferentes tipos de SNe. 2) Se propone un modelo para la generación sintética de curvas de luz multi-banda de SNe basado en un Modelo Paramétrico de SNe (SPM). Esto busca poder aumentar el número de muestras y diversidad de cadencia. El modelo TimeModAttn propuesto superó a un clasificador Random Forest, incrementando el balanced-$F_1$score desde $\approx.525$ hasta $\approx.596$. TimeModAttn también superó a otros modelos de aprendizaje profundo, basados en Redes Neuronales Recurrentes (RNNs), en dos escenarios: clasificación tardía y clasificación temprana. 3) Se realizaron experimentos de interpretabilidad buscando validar el funcionamiento del modelo TimeModAttn.