Spectroscopic Confirmation of Obscured AGN Populations from Unsupervised Machine Learning
Notice bibliographique
Résumé
Abstract We present the result of a spectroscopic campaign targeting active galactic nucleus (AGN) candidates selected using a novel unsupervised machine-learning (ML) algorithm trained on optical and mid-infrared photometry. AGN candidates are chosen without incorporating prior AGN selection criteria and are fainter, redder, and more numerous, ∼340 AGN deg−2, than comparable photometric and spectroscopic samples. In this work, we obtain 178 rest-optical spectra from two candidate ML-identified AGN classes with the Hectospec spectrograph on the MMT Observatory. We find that our first ML-identified group is dominated by Type I AGNs (85%) with a <3% contamination rate from non-AGNs. Our second ML-identified group is mostly comprised of Type II AGNs (65%), with a moderate contamination rate of 15% primarily from star-forming galaxies. Our spectroscopic analyses suggest that the classes recover more obscured AGNs, confirming that ML techniques are effective at recovering large populations of AGNs at high levels of extinction. We demonstrate the efficacy of pairing existing WISE data with large-area and deep optical/near-infrared photometric surveys to select large populations of AGNs and recover obscured growth of supermassive black holes. This approach is well suited to upcoming photometric surveys, such as Euclid, Rubin, and Roman.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».