Los puntos clave no están disponibles para este artículo en este momento.
Resumen En el campo de la astronomía, las tecnologías de aprendizaje automático se están volviendo cada vez más cruciales para identificar pulsars de radio. Sin embargo, el proceso de adquisición de datos etiquetados, que es tanto lento como potencialmente sesgado, representa una limitación significativa para las metodologías actuales. En respuesta a estos desafíos, este estudio propone y valida un enfoque de aprendizaje semisupervisado de pseudolabeling autotunable. Este enfoque sintetiza un vasto conjunto de datos no etiquetados con un conjunto de datos etiquetados considerablemente más pequeño, mejorando notablemente el rendimiento del clasificador y logrando una transición de los métodos tradicionales completamente supervisados a estrategias de detección de pulsars de radio más eficientes. Nuestros resultados experimentales demuestran que incluso con un conjunto de entrenamiento compuesto por solo 100 candidatos a pulsar etiquetados, este método puede alcanzar una tasa de recall del 92.35% y una puntuación F1 del 93.89%. Cuando el número de ejemplos etiquetados se incrementa a 800, observamos una mejora adicional en el rendimiento, con la tasa de recall aumentando al 97.50% y la puntuación F1 alcanzando el 97.16%. La utilidad del enfoque de aprendizaje semisupervisado es evidente incluso con datos etiquetados mínimos, que es un escenario común en la búsqueda de pulsars, incluidos en entornos como los cúmulos globulares. Lo que destaca es la capacidad del método para detectar eficazmente candidatos a pulsar con solo un número limitado de ejemplos etiquetados. Esto enfatiza el robusto potencial de nuestro enfoque para facilitar encuestas de pulsars en etapas tempranas y resalta su capacidad para obtener resultados sustanciales incluso cuando los datos etiquetados son escasos.
Liu et al. (Wed,) estudiaron esta cuestión.