Improving Gaia Parallax Precision with a Data-driven Model of Stars
Notice bibliographique
Résumé
Abstract Converting a noisy parallax measurement into a posterior belief over distance requires inference with a prior. Usually, this prior represents beliefs about the stellar density distribution of the Milky Way. However, multiband photometry exists for a large fraction of the Gaia- TGAS Catalog and is incredibly informative about stellar distances. Here, we use 2MASS colors for 1.4 million TGAS stars to build a noise-deconvolved empirical prior distribution for stars in color–magnitude space. This model contains no knowledge of stellar astrophysics or the Milky Way but is precise because it accurately generates a large number of noisy parallax measurements under an assumption of stationarity; that is, it is capable of combining the information from many stars. We use the Extreme Deconvolution (XD) algorithm—which is an empirical-Bayes approximation to a full-hierarchical model of the true parallax and photometry of every star—to construct this prior. The prior is combined with a TGAS likelihood to infer a precise photometric-parallax estimate and uncertainty (and full posterior) for every star. Our parallax estimates are more precise than the TGAS catalog entries by a median factor of 1.2 (14% are more precise by a factor >2) and they are more precise than the previous Bayesian distance estimates that use spatial priors. We validate our parallax inferences using members of the Milky Way star cluster M67, which is not visible as a cluster in the TGAS parallax estimates but appears as a cluster in our posterior parallax estimates. Our results, including a parallax posterior probability distribution function for each of 1.4 million TGAS stars, are available in companion electronic tables.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».