基于高斯过程二元分类器的XXL巡天星系团分类研究：在不确定标签数据上的创新应用

《Monthly Notices of the Royal Astronomical Society》：The XXL Survey: LV; Galaxy cluster classification from the XXL X-ray source catalogue using a Gaussian process binary classifier trained on imperfectly labelled data

本研究针对X射线巡天中星系团候选体识别面临的挑战，开发了一种能够处理训练数据标签不确定性的高斯过程(GP)二元分类器。研究人员利用XXL巡天X射线源目录，通过排除传统分类使用的两个X射线参数(EXT和EXT_STAT)，训练模型识别新的星系团候选体。应用该分类器到XXL北天目录获得了623个候选源，恢复了标准XXL方法先前识别的248个星系团中的225个。通过光学选择的独立星系团样本验证，确认了271个星系团候选体，其中95个是XXL流程未选择的新发现。这些新发现的候选体往往展现出与以往XXL选择不同的X射线形态特征，为研究不同演化阶段的星系团提供了宝贵样本。该方法为未来大规模巡天项目(eROSITA、Euclid等)的源分类提供了新思路。

　　

在宇宙学研究中，星系团作为宇宙中最大的引力束缚体系，承载着揭示宇宙结构和演化历史的重要使命。然而，准确识别这些宇宙"巨人"并非易事——不同波段的观测手段各具特色，也各有局限。X射线观测通过探测星系团内热 intracluster medium (ICM)的辐射，为识别星系团提供了直接证据，但传统的选择方法往往只能捕捉到那些形态规则、演化成熟的星系团，而那些形态不规则、处于合并或形成阶段的年轻星系团则容易被遗漏。

XXL (XMM-Newton XXL)巡天作为一项重要的X射线观测项目，面临着这样的挑战。其标准处理流程通过核心半径(EXT)和延展似然(EXT_STAT)两个参数的简单切割来筛选星系团候选体，虽然能够保证高纯度(95%的C1样本)，但不可避免地会错过许多真实的星系团，特别是那些不符合典型β模型表面亮度分布的体系。随着eROSITA、Euclid等新一代大规模巡天项目的到来，开发更高效、更全面的星系团识别方法变得尤为迫切。

在这项发表于《Monthly Notices of the Royal Astronomical Society》的研究中，研究人员创新性地将高斯过程(Gaussian Process, GP)二元分类器应用于XXL巡天数据，特别针对训练数据标签不确定性的问题进行了算法改进。他们意识到，天文学中的训练数据往往没有完美的"金标准"标签，而是通过各种间接证据估计的纯度值。为此，他们开发了一种能够融合这种不确定性信息的GP分类器，让机器学习模型能够更智能地从不完美的训练数据中学习。

研究团队使用的关键技术方法包括：基于XMM-Newton观测数据的XXL X射线源目录(版本4.3)处理，通过XAMIN管道对每个源进行四种表面亮度模型拟合；高斯过程二元分类器的构建与训练，采用径向基函数(RBF)核和期望传播(expectation propagation)算法；自动相关性确定(Automatic Relevance Determination, ARD)技术用于识别关键参数；以及通过CAMIRA光学星系团目录和GAMA光谱巡天进行独立验证。特别值得注意的是，为了确保模型不是简单地复制现有的XXL选择标准，研究人员刻意排除了EXT和EXT_STAT这两个最关键的传统分类参数。

样本构建与预处理

研究基于XXL巡天北天和南天两个25平方度区域的X射线源目录，分别包含23,626和18,069个经过质量筛选的源。每个源通过XAMIN管道拟合了四种表面亮度模型，对应不同的天体物理场景：单点源(PNT)、双点源(DPT)、单延展源(EXT)以及点源加延展源(PEX)模型。研究人员选择了19个与星系团识别相关的参数作为分类器输入，并对数据进行了标准化处理。

高斯过程分类器设计

研究的核心创新在于对标准GP二元分类器的改进，使其能够处理基于样本纯度的不确定标签。传统XXL分类将源分为C1(纯度0.95)、C2(纯度0.5)和非C1C2(纯度约0)三类，研究人员将这些纯度值作为每个源被标记为星系团的先验概率。通过蒙特卡洛方法对可能的标签组合进行采样，解决了直接计算所有可能组合(2^N种)的计算复杂性问题。

分类结果验证

将训练好的分类器应用于XXL北天目录，获得了每个源的"置信度值"。通过设定0.1的置信度阈值，选择了623个星系团候选体，其中包括136个C1源(总139个)、89个C2源(总109个)以及398个非C1C2源。为验证结果，研究团队进行了广泛的视觉检查，并利用CAMIRA光学星系团目录和GAMA星系群目录进行交叉验证。

参数相关性分析

通过自动相关性确定(ARD)技术，研究发现EXT_RATE_PN和PNT_RATE_PN是影响分类器输出的最关键参数，分别代表用延展模型和点源模型拟合PN探测器数据的计数率。当使用南天目录训练时，EXT_RATE_MOS和PNT_RATE_MOS也变得重要，这可能反映了两个观测场之间的固有差异。

样本纯度评估

视觉检查结果显示，GP选择的样本整体纯度为0.47±0.02，低于传统C1样本的纯度(0.89±0.03)但显著高于随机选择。特别值得注意的是，在非C1C2源中，高置信度的源有19%被确认为真实的星系团候选体，这些源通常展现出与典型C1星系团不同的X射线形态特征。

研究结论表明，这种基于高斯过程的分类方法能够有效补充传统XXL处理流程，识别出那些被标准方法遗漏的星系团候选体。新发现的候选体往往具有更复杂的X射线形态，可能是处于不同动态演化阶段的系统，这为研究星系团的形成和演化提供了更全面的样本。

讨论部分强调了该方法在处理训练数据不确定性方面的创新价值，以及在天文学大数据时代的应用潜力。特别是面对eROSITA、Euclid等新一代巡天项目产生的海量数据，这种能够融合多波段信息、处理不完美标签的机器学习方法将发挥重要作用。同时，研究也指出，分类器在不同观测场表现出的细微差异提醒我们，在实际应用中需要考虑观测条件、银河前景等因素的影响。

这项研究不仅为XXL巡天提供了有价值的星系团候选体补充样本，更重要的是展示了一种适用于天文学数据特点的机器学习框架，为未来大规模天体分类任务提供了技术储备。随着多波段天文学数据的不断积累，这种能够智能处理不确定标签、融合多维度信息的分类方法，有望在星系团普查、宇宙学参数限制等前沿研究中发挥越来越重要的作用。