全部文章
每日arXiv

每日 arXiv 论文深度分析 — 2026-11-21

文章目录6

一、本期总体分析 ​

arXiv 论文时间范围:[2026-11-20 05:00:00, 2026-11-21 05:00:00)(Asia/Singapore) 各分类篇数:astro-ph 154;cs.CV 337;cs.LG 359;cs.AI 400;stat.ML 58(含跨类,分类间可能重复) 入选篇数:2

测光目录的来源、测量口径和缺测模式随天区与天体类型变化。EuclidFM 把这些不规则输入压缩成固定长度向量,量化了 VIS 亮度、形态代理量和目录误差在向量中保留了多少。SDSS–WISE 研究把星等、颜色、尺寸、红移和类别先验逐项拆开,展示分类分数随观测条件和目标选择变化的幅度。前者提供了可用于不同测光覆盖的编码器,后者给出了判断新增表征是否真正改善部署结果的对照设计。

优先精读 EuclidFM 的第 II 节与附录 A,再用第 III 节辨别每个读出实验验证的对象,预计 35–45 分钟。SDSS–WISE 适合作为分类评估的方法储备,选读表 3、5–7、9、11 和 13,预计 30–40 分钟。需要把分数用于编制实际候选表时,可先读两篇的外部验证。

二、入选论文概览 ​

优先级英文标题类型核心贡献数据与基准代码状态适用研究场景判断arXiv
1EuclidFM: Foundation Model for Compact Photometric Survey Representation天文交叉带来源标识的掩码测光重建与 128 维目标表征Euclid Q1 三个深场、Platinum 三分类参考集官方模型、训练和推理代码可查异质测光目录表征与缺测分析验证了信息保留,表征相对原始测光的下游增益仍待对照2611.25080v1
2Feature redundancy, redshift, and class-prior effects in SDSS–WISE photometric classification天文交叉用消融、配对重采样和先验变换解剖分类分数SDSS DR17、WISE All-Sky、DESI DR1 与 Legacy Surveys DR10论文未给出该实验代码链接星系、类星体与恒星分类及跨巡天验证外域结果明确暴露失效,WISE 深度的独立贡献仍需分离2611.26310v1

三、逐篇深度分析 ​

EuclidFM: Foundation Model for Compact Photometric Survey Representation ​

作者 Reyhaneh Vojoudi Salmani、Mahsa Berahman、Saeed Ansarifard、Michael M. Fausnaugh、Seyed Mohammad Sadegh Movahed。版本 2611.25080v1,2026 年 11 月 18 日 19:21:05 UTC 首次提交。分类 astro-ph.IM、astro-ph.CO。 摘要 · HTML · PDF · 作者代码

适用研究场景是需要在光学和近红外覆盖不齐的目录中,以统一维度批量输入分类器、回归器或相似源检索的任务。推荐精读。用测量出处标记每个 token,再区分自然缺测与训练时人为遮掩,是这套方法最直接的实现贡献。

测光目录与参考标签 ​

Euclid Q1 的 MER 目录把 VIS 的 IE、NISP 的 YE、JE、HE 与多个地面巡天的 u,g,r,i,z 覆盖放在一张表里。不同孔径、模板拟合、Sérsic 拟合或 PSF 拟合可以反映同一光源的不同测量量,且可以共用底图。本文的通道以巡天、波段、测量程序三元组定义。94 个通道中有 82 个 MER 通量–误差对和 12 个来自 PHZ 的统一测光对。PHZ 统一测光已作银河系消光和滤光片偏移修正,近红外探测叠图是组合图像。Euclid 本身有 31 个通道,DECam 28 个、HSC 14 个、MegaCam 14 个、Pan-STARRS 7 个。单源实际可用 29–70 个,中位数 64。模型读入目录标量,PSF、混叠和测量噪声影响通过目录产品及其质量标记传递。论文采用波段代表波长排序,未逐源重做图像校准或 PSF 匹配。 第 II.1 节 · 附录 A.2

作者从 EDF-North、EDF-South、EDF-Fornax 近均匀随机抽取 100,000 个源。要求伪源标记为零,检测质量标记允许 0、2、512,保留部分混叠源及延展源区域内的目标。质量筛选后再移除与光谱类星体 Golden Sample 重叠的 17 个 ID,得到三场分别 29,150、30,463、30,645 个源。重建训练和验证按 Euclid 对象 ID 分成 72,206 和 18,052 个。后续 VIS 的逐场留出只发生在线性读出阶段;编码器预训练使用了三场。 附录 A.1、A.4 · 附录 C.3

分类器的 Platinum 参考集走另一条构建路径。2,675 个类星体取自 Q1 光谱 Golden Sample。恒星和星系从类星体所在瓦片中的 PHZ 候选开始,要求测光和检测质量达标,再分别借助 Gaia DR3 天体测量、DES DR2 延展判据与 VHS DR4 分类信息验证。恒星用视差显著性或带协方差的自行统计量,并把 Gaia 位置传播至 Euclid Q1 时段的两个端点检查匹配。星系须同时通过 DES 与 VHS 的无歧义匹配。恒星和星系还要在 VIS、Y、J、H 中至少三个波段有有限测量和正误差,至少一带信噪比达到 5,并剔除可能混淆的近邻。最终各保留 3,500 个,因此参考标签的高纯度建立在空间覆盖、目标选择和测光质量条件之上。 第 II.3 节 · 附录 B

从不齐全的测量到对象向量 ​

通量 Fij 与目录误差 σF,ij 必须同时有限,通道 j 对源 i 才可用。两者分别除以 F0=1μJy 后取反双曲正弦。该变换在零附近近似线性,压缩大信号的动态范围,也保留带符号的低信噪通量。自然缺测值虽然以零写入存储,依靠可用性掩码从注意力和损失中排除。这样,真实的零通量仍可作为观测输入。每次看到同一个源时,再从所有可用测量中重新随机遮掩 20 个。 附录 A.2–A.4

通量和误差分别经小型 MLP 投影,和巡天、波段、测量类型的嵌入拼接,再融合成 128 维 token。位置编码对应固定波长顺序中的原始通道编号,跳过缺测项后也能区分测量身份。八层 Transformer 编码器处理可见 token 与一个可训练的 [CLS] token。解码器仅取测量 token 的输出,恢复通道顺序,在人为遮掩位置填入可学习 token,经过四层 Transformer 和预测头恢复两维变换量。对每个源的遮掩集合 Mi,训练目标是

Lrec=1∑i|Mi|∑i∑j∈Mi∥x^ij−xij∥222.

误差是输入特征和重建目标。这个损失给变换后的通量与误差同等的平方误差权重。[CLS] 虽不直接进入解码器,仍可通过编码器注意力与测量 token 交换信息。训练不输入天区坐标、类别或显式形态量,图中可选的全局特征分支在报告实验里关闭。编码器有 8 个注意力头、512 维前馈层、0.1 dropout。作者用 AdamW、初始学习率 3×10−4、batch size 64、权重衰减 0.01 与梯度裁剪 1.0,选出第 656 个 epoch 的最优验证检查点。冻结编码器后使用全部可用测量,从 [CLS] 取出每源一个 128 维向量,丢弃解码器。 第 II.2 节 · 附录 A.4

EuclidFM 架构图,区分可用测量、人为遮掩与自然缺测,展示测量 token 编码、CLS 汇总和解码重建
Salmani 等,EuclidFM,arXiv:2611.25080v1,图 2。保留完整原图。只有可见测量进入编码器,重建损失只作用于人为遮掩的可用位置。可选的全局特征分支在本研究的配置中关闭。arXiv HTML 原图,CC BY 4.0。

嵌入保留了哪些信息 ​

形态分析先把 128 维向量用 PCA 与 t-SNE 投影用于观察,再回到原空间计算欧氏邻域。在 66,106 个具有 VIS 星等且点源概率处于两端的源中,点源概率至少 0.8 的目标,其 15 个近邻平均有 12.4 个也在高概率组。固定天区和 0.25 星等小区间后的标签随机化给出 4.3 个。结果支持向量保留了亮度和场区之外的形态相关信息。孔径间通量差、模型拟合通量与 MER 点源概率可能共用测量来源,故这个设计验证的是目录内形态代理量的保留。大 Kron 半径源的近邻更常带混叠标记,也可以由大源相互聚集和本身更常混叠共同解释。 第 III.1 节 · 附录 C.1

在两场拟合线性头、第三场读出时,预测 VIS 星等的 Spearman 相关在 0.954–0.980。这个星等与模型的可用 VIS 测量共享观测信息,实验回答的是压缩后还能读回多少亮度信息。信噪比的近邻比较在匹配场区与亮度之前为 74.9%,匹配后为 52.3%,接近随机的 50%。误差的近邻一致性约 52.5%,而线性探针在误差不超过 1 微央斯基时能读出较强的全局关系。在该子样本中,把向量加到只用星等的样条回归上,三个留出场的对数误差 RMSE 各降低 24%–37%。纳入高误差尾部后,误差读出的 Spearman 相关由 0.556–0.712 降至 0.100–0.223。读出目标是目录报告的孔径通量误差,不能据此评价单源的测量误差是否已校准。北场与南方两场的嵌入空间分布也不同,作者提出地面巡天覆盖差异是可能原因,尚未做同覆盖对照。 第 III.2–III.4 节 · 附录 C.2–C.3

分类实验冻结编码器,用 64、32 单元的两层 ReLU MLP、交叉熵和学习率 0.001 的 Adam。Platinum 按类作 70:15:15 划分。按最大概率取类时,测试准确率 97.3%,三类中类星体的 F1 最低,为 0.951。用于工作目录的阈值在验证集上按各类精确率高于 99% 选择,类星体、恒星、星系分别为 0.83、0.96、0.95。模型提出 1,150 个类星体候选,其中 156 个获得接受的外部对应源,21 个有 QSO/AGN 证据,包括 12 个光谱类星体。另有 83 个匹配外部恒星标签、39 个星系标签、13 个未验证。外部匹配样本具有自己的观测选择,21/156 只描述该匹配子集。参考集上的阈值也没有给出工作目录总体的纯度或完备度。 第 II.4 节、表 1 · 表 2

证据强度与复现条件 ​

对所测三场中亮度信息可读、点源邻域超出分层随机基线的结论,可信度高。对受限误差范围内的读出增益,可信度中等,前提是同一目录误差定义及与训练相近的可用通道。对高置信类星体阈值可跨样本使用,现有证据弱。跨曝光、跨深度或换巡天时,应显式检查可用通道数、质量标记和来源分布。样本与参考集的完整对象及近邻排斥只能按论文披露评估。文中未报告同等输入和标注预算下的端到端分类基线,也未给出可用于比较计算成本的统一训练时长。 讨论

作者在论文的数据可用性声明指向官方仓库。本次核对了固定提交中的 models/transformer.py、训练入口和 README。仓库还提供数据预处理、评估代码及推理笔记本。README 列出工作目录数据和第 656 轮检查点的下载入口;此次核验覆盖源码与文档,权重文件及训练结果未在本机复运行。 固定仓库提交 · 模型实现 · 数据可用性

审稿人视角:最大问题与研究启发 ​

最大的一个问题

实验尚未分离自监督预训练的收益与原始测光本身的可分性。第 III 节的亮度和误差读出可以证明压缩后信息仍在。表 1 的冻结分类器分数可以证明精选参考样本可分。要量化掩码预训练带来的分类增益,还需比较同一组测光、误差和可用性掩码直接用于分类的结果;作者在讨论中明确把这一比较留给后续工作。这限制了“少量标签即可适配”的主张,同时保留了固定维度表征在已测试目录中的价值。最小补充是用同一 ID 分组与留出场、相同测量和训练标签预算,对比原始测光加掩码的树模型、同架构随机初始化的编码器及冻结 EuclidFM。用分场的类别精确率–召回率和随标签量变化的学习曲线量化差值。若要检验从其他波段推断 VIS 的能力,再在所有对照中一并移走 VIS 及其同源衍生量。 表 1 · 附录 C.3 · 讨论

研究启发与可执行验证

迁移分析可从模型是否依赖通道覆盖入手。第一组实验固定源及其共有的 Euclid 通道,逐组移除地面巡天通道,比较同一对象的向量漂移与分类置信度。第二组按目标选择、星等和区域构建独立光谱验证层,分别计算错误率与弃判率,再按已知抽样概率加权估计目标样本中的性能。前者需要可识别的测量来源,后者需要足够的外部标签和可靠的选择模型。阅读可沿图 2、式 A4–A6、附录 C.3、表 2 的顺序进行。 图 2 · 附录 A · 表 2

Feature redundancy, redshift, and class-prior effects in SDSS–WISE photometric classification ​

作者 Mohammad Sadeghi、Kayoomars Karami。版本 2611.26310v1,2026 年 11 月 19 日 15:58:58 UTC 首次提交。分类 astro-ph.GA。 摘要 · HTML · PDF

适用研究场景是用光学、红外测光区分星系、类星体与恒星,尤其需要判断特征消融的改进能否随样本选择迁移。优先选读诊断实验。有红移、无红移和光学独用三个设置回答的是不同数据可用性下的问题,需要分别报告。

两套巡天怎样构成对照 ​

SDSS 训练与测试数据从 DR17 的 SpecObj、PhotoObj 关联而来,类别和红移来自同一光谱管线。作者要求类标为 GALAXY、QSO 或 STAR,光谱红移大于 −0.1,u 带星等为正,取 ugriz 的模型星等和 r 带 Petrosian 半径,用 SDSS 的 wise_xmatch 对接 WISE All-Sky 的 W1–W4 点源拟合星等。模型输入无天球坐标或对象 ID。初始 4,639,848 个唯一源中,987,538 个缺 WISE 对应源或至少一带为未探测标记,最终完整案例有 3,652,310 个。WISE 完整性筛选对三类的影响不同,星系、类星体、恒星的剔除率分别为 10.3%、33.7%、42.1%,对应的类别构成由 60.6/18.7/20.7% 变为 69.0/15.7/15.3%。作者提出 WISE 的深度差异可能解释该模式,未用逐天区深度图检验。 第 2.1–2.2 节

按类别分层的 70:15:15 划分给出 2,556,617 个训练源、547,846 个验证源、547,847 个测试源。切分单元是目录源,论文未另设按天区分组的内部测试。特征构建不使用真实类别来筛选异常值,排名和选择在训练及验证阶段完成。测光、尺寸和光谱类标沿用对应巡天管线。文章重点处理跨系统的星等单位与列定义,未从原始曝光重新作 PSF 或背景校准。 第 2.4 节 · 第 4.1 节

跨巡天测试取 DESI DR1 光谱的 SPECTYPE 与 Legacy Surveys DR10 的匹配测光,要求 ZWARN 为零。249,839 个初始匹配源中,保留五带通量及尺寸为正的 230,235 个,含 226,967 个星系、2,421 个类星体、847 个恒星。为在两套系统中取同类输入,作者只使用共有的 g,r,z、W1、W2 和尺寸,重训 SDSS 分类器。DESI 侧 WISE 强制测光以 AB 星等提供,按 W1 减 2.699、W2 减 3.339 转为 Vega。Legacy Surveys 的 Sérsic 有效半径与 SDSS 的 Petrosian 半径定义不同;代码可以构造同名尺寸特征,观测尺度仍会系统偏移。由非正通量造成的部署缺口需要单独统计。 第 6 节

同一组原始量能支持多大增益 ​

11 个原始输入包括九个光学与红外星等、尺寸和光谱红移。派生 11 个颜色与三个形态量后有 25 个特征。颜色是星等差,但树每次只沿一维分裂,用颜色可直接切分色–色平面需要的方向。紧致度和对数半径对原半径单调,表面亮度同时用到 r 带星等和尺寸。它们的统计重要性不能直接当成新增独立观测。论文比较 LinearSVC、随机森林、XGBoost、LightGBM 和 CatBoost,按验证集宏平均 F1 每个情景选模型。各情景最终选择的都是随机森林,输入是表格特征,输出三类分数。以相同测试样本计算的 bootstrap 区间刻画固定模型、固定划分下的抽样波动。 第 3 节 · 第 4.1 节

四种特征排名使用随机森林 Gini 不纯度下降、近邻互信息、ANOVA F 统计量、LightGBM 的平均绝对 SHAP,归一化后等权汇总。特征排名稳定性在十个种子和 30 次类内 bootstrap 下评估,尺寸代理量的单列 SHAP 排名比其他方法更易波动。随机森林在 30 万分层训练样本上按袋外宏 F1 搜索 15 组超参数,再在全训练集重训并对三个种子的概率取平均。更大的训练集对这一固定数据分布的收益趋缓:默认随机森林由 50 万源增至约 256 万源时,宏 F1 仅从 0.9827 到 0.9832。增加数据量对暗端域移的作用需单独测量。 第 3.2–3.3 节 · 第 4.2 节

SDSS 测试配置宏平均 F1结果含义
含光谱红移,11 个原始特征0.9830已达到调优模型附近
含光谱红移,SHAP Top-12 随机森林0.9834该配置的类星体 F1 为 0.9608
无光谱红移,10 个原始特征0.9507直接测光加尺寸是有竞争力的基线
无光谱红移,原始量加光学与 WISE 颜色0.9553颜色组解释了主要增益
无光谱红移,24 个完整特征0.9551再加形态派生量的增益未显现
无光谱红移,光学独用0.9234可用于估计要求 WISE 的代价

组合特征的重要性与它们带来的边际增益是两个问题。用相同随机置换同时打乱一组尺寸代理量,含红移模型的 F1 降幅为 0.0021,超过逐列降幅加总的 0.0007。无红移模型的组置换降幅是 0.1422,显示此时模型高度依赖尺寸信号。原始半径仍足以给出大部分这类信息。无红移的完整特征把原始基线提高 0.0044,而不使用 WISE 的情景比 14 特征纯测光配置低 0.0327。对部署而言,保有独立波段的影响大于增加同源派生特征。 表 2–4 · 表 8

红移值、红移的可得性与稀有类纯度 ​

含光谱红移时,置换量表中该列占总重要性的 80.1%。星体靠近零的红移有物理依据,SDSS 目标选择也让大部分星系落在较低红移,模型因此可能把高红移当成 QSO 代理。在 1.5≤z<2 的 306 个 SDSS 测试星系中,含光谱红移模型召回为 0.016,无红移版本为 0.680。对高红移类星体,移走红移后召回也可能下降,论文在 z≥4 得到约 0.39。删去一列后是否重新选特征同样决定结果。六特征 SHAP 设置由 0.9787 删红移降到 0.9001,在无红移的特征池重新选择可回到 0.9503。 第 4.4 节 · 表 5

同源 photo-z 由已有的 14 个纯测光特征交叉拟合得到。用 HGBR 或最近邻估计时,宏平均 F1 相对 0.9561 只变动约 0.0001。外部星系 photo-z 目录约覆盖 97.4% 的星系,测试集中几乎没有非星系匹配。中位数填补让可得性模式随类别变化,报告增益为 0.0155。用匹配星系的 photo-z 分布随机填补缺项后,仅均值的增益为 0.0059,加 PDF 标准差后为 0.0091。这一对照显示可得性有独立判别作用。随机填补未验证跨类、跨深度的条件分布完全一致,结果依赖该外部目录的 z<2 范围。 第 5.1 节、表 6

若固定每类的真阳性率、假阳性率和目标样本中该类的比例 πc,期望纯度由

Pc=TPRcπcTPRcπc+FPRc(1−πc)

给出。用四方法综合排名的 Top-12 随机森林,在 90% 完备度处把类星体比例从 SDSS 式先验下调到 5% 和 3%,其估计纯度由 0.995 降为 0.977 和 0.962。后两种是示例类配比。验证集保序回归把分箱 ECE 从 0.0052 降为 0.0004,固定完备度的纯度几乎不变。阈值排序与概率刻度的改进要分别测量。更换巡天若同时改变类内特征分布,同一 ROC 及单纯先验重加权的假设都需要重新检查。 第 5.3 节与表 7

三种假设类别组成下各类天体的纯度与完备度曲线,类星体比例降低时纯度下降
Sadeghi 与 Karami,Feature redundancy, redshift, and class-prior effects in SDSS–WISE photometric classification,arXiv:2611.26310v1,图 7。保留完整原图。三组类别比例用于比较先验变化下的工作点,其中 Rubin、Roman 式比例为示例。arXiv HTML 原图,CC BY 4.0。

从内部验证到跨巡天失效 ​

在 SDSS 内按 r=20 分亮、暗两组,没有红移时跨亮度范围的平均宏 F1 降幅 0.082,含红移时约 0.010。无红移由亮源训练去测暗源仅 0.774,反向是 0.928。亮度与噪声、类别比例及红移分布一起变化,不能把差值直接解释成某个噪声量的独立效应。对 DESI,十特征含红移模型的 QSO F1 从 SDSS 的 0.9571 降到 0.1046,DESI 侧召回 0.4688、精确率 0.0588。QSO AUC 为 0.827,说明还有排序信号,但大量非 QSO 在操作阈值附近进入候选集。更直接的失效出现在 1.5≤z<2 的 2,070 个 DESI 星系,它们全部被该配置判断为 QSO。 第 5.2 节 · 第 6 节与表 9

作者再用 11,514 个共同对象,先固定 SDSS 标签切换两个测光系统,再固定 DESI 测光切换光谱标签,使用 2,000 次配对 bootstrap。共同样本的总体标签一致率为 99.3%,但 100 个 SDSS 类星体只有 68 个仍获 DESI QSO 标签。十特征模型切换测光时 QSO AUC 变动 −0.049,95% 区间为 [−0.093, −0.013]。切换标签的 AUC 差 −0.022,区间 [−0.070, +0.023],共同样本只有约 100 个类星体,难以比较两类效应的大小。线性重标定对 AUC 的点估计略有改善,QSO F1 却下降。这个配对实验检验同一对象上测量系统的变化,能与整个外部目录测试互相补充。 第 6.1 节与表 11

证据强度与复现条件 ​

同一样本上检验原始特征、先验和红移的消融,结论有较高可信度。配对对象上测光系统确实变化,对十特征模型 AUC 的影响有中等可信度。对 WISE 深度在完整 DESI 域移中造成多少损失,现有证据有限。正文把 W1–W2 稳健散布的变化 0.038 至 0.087 mag 与 Spearman 相关从 0.86 降至 0.50 描述为同一段范围,表 13 显示 0.038 mag 属于最亮的 9.5≤W1<13 分箱,相关最高的 13≤W1<13.5 分箱对应 0.033 mag。两处均支持暗端散布更大,报告分箱时应以对应表格行标明。 召回图也有标注差异:图 2 的图内标题把模型标为 Phase3-default,图注写作调优模型;图 9 在红移 1 至 1.5 区间的星系召回画在 0.2 以下,附表 25 及正文均给出 0.288。两处证据在高红移箱的定性下降上相符,本文引用模型配置及精确召回时注明正文和附表出处。原始目录可取得,论文说明了交叉匹配、主要消融和拆分规则,未给出本研究的实现、固定对象清单或可对照的训练耗时。复现时应记录目录版本、匹配规则及每次重采样的对象索引。 表 13 · 局限

审稿人视角:最大问题与研究启发 ​

最大的一个问题

WISE 深度筛选改变了被评估的对象,尚不能把迁移损失中最大的独立份额归给 WISE 测光。在与 SDSS 不重合的 218,721 个 DESI 源中,仅保留 W1 ≤ 17.6、W2 ≤ 17.0 的源,类星体 F1 从 0.104 升至 0.288,假阳性率由 0.092 降至 0.024。同一操作改变了光学亮度、红移及类别组成。表 13 量化了共同对象上的颜色一致性随星等下降,表 11 量化整套测光系统的切换,两者都无法单独隔离深度。作者在第 6.2 和 7.2 节承认共变。它限制的主要是原因排序和部署改造优先级,DESI 上的性能下降本身有直接数据支持。最小验证应固定同一目标集合及光谱标签,按光学星等、红移及类别分层,对同一源的两套测光仅替换 W1/W2,再做配对重采样并报告 QSO AUC 和固定完备度下的纯度。若两套测量只在亮端重叠,可向同一组亮源的强制测光加入暗端估得的噪声并重新计算颜色,同时保留原有光谱标签、光学测量与对象权重。这样的注入实验检验噪声机制,对真实暗端类群的外推仍须用观测样本验证。 第 6.1–6.2 节 · 第 7.2 节

研究启发与可执行验证

迁移分析应区分特征值、缺测指示和样本入选概率。第一步用同一对象群作原始测光、颜色、单独的可用性掩码三个消融,量化只看缺测模式能得到多少类别信息。再以独立深场或独立巡天做外域验证,报告每类的工作点、未探测率和统计区间。按目标类型与亮度配平有助于比较测量系统,代价是缩小覆盖范围并可能减少稀有类样本,需要把全样本性能另行列出。阅读顺序可从表 3、5、7 到表 9、11、13。 诊断实验 · 外部验证

四、跨论文结论与行动建议 ​

  • 精读 EuclidFM 的输入与可用性掩码,复现对象向量的构建。用 SDSS–WISE 的特征对照约束下游实验,在同样标注量和同样可用测量下比较原始目录模型与冻结嵌入。
  • 把读出信息与预测未知测量定义为两个实验。前者允许向量见到目标带,后者从编码输入排除该波段和同源衍生量,再以场区留出评估。
  • 在选择稀有天体的操作阈值前,用独立光谱样本检验与目标目录相符的先验和深度。分别报告覆盖率、纯度、完备度,并保留按亮度和红移的分箱结果。
  • 这两项研究的证据分别支持限定目录中的信息保留,以及既有分类器外推时会失效。表征是否节省标签、哪个单独测光因素主导迁移损失,仍待上述配对对照。

本报告由 GPT 6.2Sol XHigh 整理分析,博客作者对分析内容不负责且不代表博客作者本人的想法。