VEXAS: VISTA EXtension to Auxiliary Surveys
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Context. We present the second public data release of the VISTA EXtension to Auxiliary Surveys (VEXAS), where we classify objects into stars, galaxies, and quasars based on an ensemble of machine learning algorithms. Aims. The aim of VEXAS is to build the widest multi-wavelength catalogue, providing reference magnitudes, colours, and morphological information for a large number of scientific uses. Methods. We applied an ensemble of thirty-two different machine learning models, based on three different algorithms and on different magnitude sets, training samples, and classification problems (two or three classes) on the three VEXAS Data Release 1 (DR1) optical and infrared (IR) tables. The tables were created in DR1 cross-matching VISTA near-infrared data with Wide-field Infrared Survey Explorer far-infrared data and with optical magnitudes from the Dark Energy Survey (VEXAS-DESW), the Sky Mapper Survey (VEXAS-SMW), and the Panoramic Survey Telescope and Rapid Response System Survey (VEXAS-PSW). We assembled a large table of spectroscopically confirmed objects (VEXAS-SPEC-GOOD, 415 628 unique objects), based on the combination of six different spectroscopic surveys that we used for training. We developed feature imputation to also classify objects for which magnitudes in one or more bands are missing. Results. We classify in total ≈90 × 10 6 objects in the Southern Hemisphere. Among these, ≈62.9 × 10 6 (≈52.6 × 10 6 ) are classified as ‘high confidence’ (‘secure’) stars, ≈920 000 (≈750 000) as ‘high confidence’ (‘secure’) quasars, and ≈34.8 (≈34.1) million as ‘high confidence’ (‘secure’) galaxies, with p class ≥ 0.7 ( p class ≥ 0.9). The DR2 tables update the DR1 with the addition of imputed magnitudes and membership probabilities to each of the three classes. Conclusions. The density of high-confidence extragalactic objects varies strongly with the survey depth: at p class > 0.7, there are 11 deg −2 quasars in the VEXAS-DESW footprint and 103 deg −2 in the VEXAS-PSW footprint, while only 10.7 deg −2 in the VEXAS-SM footprint. Improved depth in the mid-infrared and coverage in the optical and near-infrared are needed for the SM footprint that is not already covered by DESW and PSW.
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.
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 | 0,000 | 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 découle