Notice bibliographique
Résumé
Context. The KiDS Strongly lensed QUAsar Detection project (KiDS-SQuaD) is aimed at finding as many previously undiscovered gravitational lensed quasars as possible in the Kilo Degree Survey. This is the second paper of this series where we present a new, automatic object-classification method based on the machine learning technique. Aims. The main goal of this paper is to build a catalogue of bright extragalactic objects (galaxies and quasars) from the KiDS Data Release 4, with minimum stellar contamination and preserving the completeness as much as possible. We show here that this catalogue represents the perfect starting point to search for reliable gravitationally lensed quasar candidates. Methods. After testing some of the most used machine learning algorithms, decision-tree-based classifiers, we decided to use CatBoost, which was specifically trained with the aim of creating a sample of extragalactic sources that is as clean of stars as possible. We discuss the input data, define the training sample for the classifier, give quantitative estimates of its performances, and finally describe the validation results with Gaia DR2, AllWISE, and GAMA catalogues. Results. We built and made available to the scientific community the KiDS Bright EXtraGalactic Objects catalogue (KiDS-BEXGO), specifically created to find gravitational lenses but applicable to a wide number of scientific purposes. The KiDS-BEXGO catalogue is made of ≈6 million sources classified as quasars (≈200 000) and galaxies (≈5.7 M) up to r < 22m. To demonstrate the potential of the catalogue in the search for strongly lensed quasars, we selected ≈950 “Multiplets”: close pairs of quasars or galaxies surrounded by at least one quasar. We present cutouts and coordinates of the 12 most reliable gravitationally lensed quasar candidates. We showed that employing a machine learning method decreases the stellar contaminants within the gravitationally lensed candidates, comparing the current results to the previous ones, presented in the first paper from this series. Conclusions. Our work presents the first comprehensive identification of bright extragalactic objects in KiDS DR4 data, which is, for us, the first necessary step towards finding strong gravitational lenses in wide-sky photometric surveys, but has also many other more general astrophysical applications.
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 | 0,003 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,140 | 0,142 |
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 ».