Cataclysmic variables from Sloan Digital Sky Survey – V (2020–2023) identified using machine learning
Notice bibliographique
Résumé
ABSTRACT SDSS-V is carrying out a dedicated survey for white dwarfs, single and in binaries, and we report the analysis of the spectroscopy of 504 cataclysmic variables (CVs) and CV candidates obtained during the first 34 months of observations of SDSS-V. We developed a convolutional neural network (CNN) to aid with the identification of CV candidates among the over 2 million SDSS-V spectra obtained with the BOSS spectrograph. The CNN reduced the number of spectra that required visual inspection to $\simeq 2$ per cent of the total. We identified 776 CV spectra among the CNN-selected candidates, plus an additional 27 CV spectra that the CNN misclassified, but that were found serendipitously by human inspection of the data. Analysing the SDSS-V spectroscopy and ancillary data of the 504 CVs in our sample, we report 61 new CVs, spectroscopically confirm 248 and refute 13 published CV candidates, and we report 82 new or improved orbital periods. We discuss the completeness and possible selection biases of the machine learning methodology, as well as the effectiveness of targeting CV candidates within SDSS-V. Finally, we re-assess the space density of CVs, and find $1.2\times 10^{-5}\, \mathrm{pc^{-3}}$.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».