一个神经网络集成模型分类星系如何相互作用
分类星系之间的相遇很复杂，因为它们的形状错综复杂，而且深度学习模型通常像黑盒子一样运行。一个新提案通过注意力神经网络集成解决了这个问题，该集成融合了AG-XCaps、H-SNN和ResNet-GRU架构。该系统使用Galaxy Zoo DESI数据集进行训练，并借助LIME工具增强，以产生天文学家能够理解的结果。🪐
一个超越经典方法的框架
集成模型取得了卓越的指标：精度0.95，召回率1.00，F1分数0.97和准确率96%。其性能明显优于基于Random Forest的基准模型，将假阳性从70个减少到仅23个。此外，其设计轻量，体积仅0.45 MB，这使得它能够扩展以分析未来任务如Euclid和LSST将产生的大量数据。
神经网络集成的关键优势：- 高精度和高召回率，可可靠识别星系相互作用。
- 轻量架构，便于处理大型天文图像目录。
- 与传统技术相比，大幅减少分类错误。
高性能、小体积和解释决策能力相结合，使该框架成为当前和未来天文台的实用解决方案。
可解释性作为基本支柱
集成LIME（Local Interpretable Model-agnostic Explanations）是一个关键组件。该工具生成热力图，指出星系图像中哪些像素或区域对模型决策影响最大。这允许研究人员理解和验证预测，从而在人工智能工具在天文学社区中建立信任。
集成可解释性的特征：- 生成直观的视觉化，突出关键形态特征。
- 帮助天文学家验证每个分类背后的物理基础。
- 转换