Light curves for variable, point-like microlensing, and extended objects microlensing sources with regular cadence and OGLE-II timestamps cadence.
Notice bibliographique
Résumé
This is the dataset used in the paper Microlensing signatures of extended dark objects using machine learning, which should be read for more details, and the code repository for the simulation code. This dataset comprises 600,000 light curves designed for the detection of microlensing events. These curves are categorised into six classes: Cataclysmic Variables (CV), RR Lyrae and Cepheid Variables (VARIABLE), Mira Long-Period variable (LPV), Point-like Microlensing (ML), Boson Stars (BS), and NFW Subhalos (NFW). The dataset includes simulated light curves for each class, with 100,000 instances per class. ML light curves are simulated using MicroLIA, while BS and NFW light curves were simulated using the respective mass profiles first computed here. Selection criteria, including a minimum magnification of 1.34, were applied to mimic a survey selection. The light curves have magnitudes between 15 and 20, incorporate Gaussian noise, and were generated with two cadence scenarios: OGLE-II timestamps and Regular Daily Cadence. For the extended microlensing sources (BS and NFW), mass profiles depend on a parameter, τₘ, sampled logarithmically from a uniform distribution. The minimal impact parameter, u₀, is sampled differently for each microlensing source class. A total of 148 features are computed for each light curve, encompassing statistics and derivatives of the time series. The dataset has 189 columns (see 'columns.txt' file), grouped by type identified by a prefix: 'lc' columns: light curve. 'gen' columns: generation parameters (metadata). 'sim' columns: simulation parameters (metadata). 'feat' columns: light curve time series features. See MicroLIA (and respective paper) for more details. Features computed on the derivative time series are marked with suffix 'deriv'. The dataset files are stored in 'parquet' format, which can be read in python using 'pandas' by installing the 'parquet' optional depence (i.e. 'pip install pandas[parquet]').
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 | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».