KDDOct, 2023
使用机器学习代理模型复现行星大气参数重构的贝叶斯后验分布
Reproducing Bayesian Posterior Distributions for Exoplanet Atmospheric Parameter Retrievals with a Machine Learning Surrogate Model
Eyup B. Unlu, Roy T. Forestano, Konstantin T. Matchev, Katia Matcheva
TL;DR用机器学习建立的代理模型，能够生成类似于使用传统检索软件（如 TauRex）从行星凌星光谱中得出的行星大气参数的贝叶斯后验分布。该模型通过对七个参数（行星半径、大气温度以及五种常见吸收剂的混合比：$H_2O$、$CH_4$、$NH_3$、$CO$ 和 $CO_2$）的真实分布进行预训练，采用问题领域的启发式预处理和半监督学习方法提高模型性能，并在 2023 年 Ariel 机器学习数据挑战中获得优胜方案之一。