无监督自模板网络估计红移与谱线强度
原文：UnEZ: A Fully Unsupervised Self-Templating Neural Network for Redshift and Line Strength Estimation
随着光谱巡天规模的增长，估计星系属性（如金属丰度、恒星形成率和红移）在计算上变得日益繁琐。估计此类属性的方法依赖于模板光谱或精选的红移目录，这些无法代表大规模巡天中所见天体的多样性。我们提出UnEZ，一种全无监督、物理信息驱动的机器学习模型，能够在没有任何先验红移或谱线强度标签的情况下预测光谱红移和谱线强度。编码器预测发射线和吸收线的振幅/宽度，固定的确定性解码器构建独特的模板、估计红移、红移置信曲线和光谱模型。UnEZ在斯隆数字巡天（SDSS）Data Release 18上进行了测试，因其大型数据集和经过彻底审查的红移目录可作为独立基准。尽管缺乏模板、谱线强度标签或红移标签，UnEZ的性能可与现代红移估计算法竞争。在SNR > 10时，UnEZ实现了0.459%的异常值比例和1.237×10⁻⁴的归一化中位绝对偏差（NMAD）。在SNR > 3时，UnEZ实现了3.89%的异常值比例和1.471×10⁻⁴的NMAD。此外，我们展示了UnEZ的谱线强度和红移预测如何用于各种目的，例如构建传统红移估计算法所需的模板光谱。UnEZ展示了全无监督神经网络如何让红移等星系属性从光谱本身自然涌现，提供了一种无模板、无标签的方法，可扩展到未来巡天的需求。作者：Asha Abd、Karl Glazebrook、Colin Jacobs。类别：astro-ph.IM、astro-ph.GA、cs.LG