Machine Learning Pipeline for Fast Radio Burst Host Galaxy Identification Using Multi-Survey Data Integration
Notice bibliographique
Résumé
Fast Radio Bursts (FRBs) are enigmatic extragalactic phenomena whose host galaxy identification is crucial for understanding their origins and cosmological applications. This paper presents a proof-of-concept machine learning pipeline for automated FRB host galaxy identification using multi-survey data integration from the Canadian Hydrogen Intensity Mapping Experiment (CHIME), Sloan Digital Sky Survey (SDSS), Gaia, and Two Micron All Sky Survey (2MASS) catalogs. Our probabilistic framework combines spatial, photometric, and morphological information with physics-based feature engineering to create a comprehensive automated identification system. We develop and test our methodology on 508 galaxy candidates from 12 carefully selected FRBs, incorporating 198 engineered features optimized for machine learning algorithms. Validation against 4 literature-confirmed FRB-host associations demonstrates perfect recovery with mean probability <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$0.804 \pm 0.15$</tex>, confirming our approach can reliably identify known hosts. Our optimized Ridge regression model achieves exceptional performance with <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\mathbf{R}^{2}= 0.970$</tex> and cross-validation stability of 0.007, explaining 97% of the variance in host association probabilities compared to traditional proximity-based methods. Applied to the full candidate sample, the pipeline identifies 2 high-confidence host associations <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$(\mathrm{P}>0.1)$</tex> and 4 medium-confidence candidates for targeted follow-up observations. This automated framework addresses the critical need for scalable host identification methods as FRB detection rates increase exponentially, providing a foundation for population-level studies and cosmological 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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».