Application of the trend filtering algorithm to the MACHO database
Notice bibliographique
Résumé
Aims. Because of the strong effect of systematics (or trends) in variable star observations, we apply the Trend Filtering Algorithm (TFA) to a subset of the MACHO database and search for variable stars.Methods. TFA has been applied successfully in planetary transit searches, where weak, short-duration periodic dimmings are sought in the presence of noise and various systematics (due to, e.g., imperfect flat-fielding, crowding, etc.). These latter effects introduce colored noise in the photometric time-series that can completely overwhelm the signal. By using a large number of available photometric time-series of a given field, TFA utilizes the fact that the same types of systematics appear in several or many time-series of the same field. As a result, we attempt to reproduce each target time-series by a linear combination of templates, optimized by least-squares. After a signal has been identified in the residuals between the original time-series and the systematics computed by TFA, we reconstruct the signal by employing the full model, including the signal, systematics, and noise.Results. We apply TFA to the brightest ~5300 objects from subsets of each of the MACHO Large Magellanic Cloud fields #1 and #79. We find that the Fourier frequency analysis performed on the original data detect some 60% of the objects as trend-dominated. This figure decreases to almost zero after using TFA. In total, we detect 387 variables in the two fields, 183 of which would have remained undetected without using TFA. Where possible, we provide preliminary classification of the variables found.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».