arXiv cs.AI· Nadav Bojan Sellam, Kevin Park, Alex Bronstein, Zolt\'an Haiman·· 1 天前AI 评分18
Nullasar：用生成模型学习类星体光变，替代 DRW 零假设
Moving Beyond the DRW Model: Learning Quasar Variability with Generative Models
AI 导读
研究团队提出生成模型 Nullasar，用 flow matching 直接从时序数据学习类星体光变，无需显式假设噪声模型。在合成光变曲线的周期信号检测中，Nullasar 作为零假设的表现与对每条曲线拟合正确 DRW 模型相当，且在光变遵循更灵活的 AR(2) 模型时优于参数拟合。作者同时指出训练集被非零假设信号污染会带来敏感性限制，将模型条件向量投影到主成分上可大幅缓解。
正文 · AI 翻译
摘要：类星体的光学连续谱光变通常用阻尼随机游走（DRW）模型描述，其特征阻尼时标 $\tau_{\rm DRW}$ 为数百天，振幅 $\sigma_{\rm DRW}$ 为 $\mathcal{O}(0.1)$ 星等。该模型已被广泛用作零假设，以评估类星体光变曲线中周期信号的显著性（用于搜寻超大质量黑洞双星）、评估极端类星体光变（如潮汐瓦解事件（TDE）和变脸（CL）类星体）的显著性，或用于对混响映射中的时间延迟建模。然而，已知 DRW 模型并不完备，错误的零假设会导致有偏的显著性估计。我们研究了这种零假设误设对在合成类星体光变曲线中探测周期信号的影响，并引入了生成模型 Nullasar，它能够直接从时间序列数据中学习类星体光变。我们证明，使用流匹配训练的 Nullasar 可以在不显式假设任何噪声模型的情况下学习随机光变曲线的精细统计性质。我们进一步证明，Nullasar 能够学习噪声参数的相关分布，并能从偏离高斯 DRW 噪声模型的一系列偏差中生成新的光变曲线实现，从而近似随机过程的参数化描述。当用作探测合成光变曲线中周期信号的零假设时，Nullasar 的表现与对每条光变曲线拟合正确的 DRW 模型相当，并且当光变遵循更灵活的 AR(2) 模型时优于参数化拟合。最后，我们指出了实际限制，包括对训练集受非零信号污染的敏感性，并表明将模型的条件向量投影到其主成分上可大幅缓解这一问题。
| 学科： | 星系天体物理学（astro-ph.GA）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.15040 [astro-ph.GA] |
| （或 arXiv:2611.15040v1 [astro-ph.GA] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.15040 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Nadav Bojan Sellam [查看邮箱]
[v1]
2026年11月11日星期三 04:59:36 UTC（6,704 KB）
来源：arXiv cs.AI · arxiv.org