Uncloaking hidden repeating fast radio bursts with unsupervised machine learning
Notice bibliographique
Résumé
ABSTRACT The origins of fast radio bursts (FRBs), astronomical transients with millisecond time-scales, remain unknown. One of the difficulties stems from the possibility that observed FRBs could be heterogeneous in origin; as some of them have been observed to repeat, and others have not. Due to limited observing periods and telescope sensitivities, some bursts may be misclassified as non-repeaters. Therefore, it is important to clearly distinguish FRBs into repeaters and non-repeaters, to better understand their origins. In this work, we classify repeaters and non-repeaters using unsupervised machine learning, without relying on expensive monitoring observations. We present a repeating FRB recognition method based on the Uniform Manifold Approximation and Projection (UMAP). The main goals of this work are to: (i) show that the unsupervised UMAP can classify repeating FRB population without any prior knowledge about their repetition, (ii) evaluate the assumption that non-repeating FRBs are contaminated by repeating FRBs, and (iii) recognize the FRB repeater candidates without monitoring observations and release a corresponding catalogue. We apply our method to the Canadian Hydrogen Intensity Mapping Experiment Fast Radio Burst (CHIME/FRB) data base. We found that the unsupervised UMAP classification provides a repeating FRB completeness of 95 per cent and identifies 188 FRB repeater source candidates from 474 non-repeater sources. This work paves the way to a new classification of repeaters and non-repeaters based on a single epoch observation of FRBs.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».