可解释且无需人工标注的深度学习真假分类与不确定性量化

Interpretable Human-Label-Free Deep Learning for Real-Bogus Classification with Uncertainty Quantification

arXiv: 2607.05393v1

论文信息

标题: Interpretable Human-Label-Free Deep Learning for Real-Bogus Classification with Uncertainty Quantification

作者: Raphaël Bonnet-Guerrini, Bruno Sanchez, Dominique Fouchez, et al.

发布日期: 2026-07-06

arXiv ID: 2607.05393v1

PDF 链接: 下载 PDF

3 分钟速览

  • 研究问题：如何在不依赖人工标注训练数据的前提下，构建可解释的、带有可靠不确定性量化的时域天文瞬变源（真实事件）与伪迹（bogus）分类模型，以应对大规模巡天中标签成本高、标签噪声和跨巡天迁移困难等挑战。
  • 核心方法：利用物理驱动的模拟注入瞬变源作为干净的真实类，结合未标注的巡天数据（主要含伪迹，带有少量真实瞬变导致的标签污染）作为有噪伪迹类，采用一种针对非对称类别噪声改进的弱监督协同教学（Asymmetric Co‑teaching）训练双网络模型。
  • 关键结果：在人工标注的验证集上，方法在受严重标签污染（35% 噪声）的情况下仍能将分类 AUC 保持在 0.95 左右；同时提出的混合式不确定性量化策略（双网络+MC Dropout）在校准误差（ECE）和负对数似然（NLL）上优于大集成的深度集成方法（见论文表 5、表 6）。
  • 主要局限：单图像级别的分类性能受限于光变曲线衍生标签本身的内在模糊性，且方法仅在 HSC 数据上验证，向其他巡天的直接迁移性能尚未充分评估；噪声率的设置依赖于先验估计，未给出完全自适应的噪声率推断方案。
  • 适合读者：从事时域天文数据处理、弱监督学习、不确定性量化、以及需要构建无人工标注训练管线的机器学习研究者与工程师。

论文背景和研究动机

时域巡天项目（如 LSST）通过差分图像分析（DIA）产生海量候选体，其中绝大多数是伪迹而非真实瞬变事件。传统方法依赖人工标注构建训练集，不仅昂贵耗时，而且标签噪声高、跨巡天不一致。近年深度学习已被用于真实‑伪迹分类，但仍面临两大挑战：（i）缺少大规模人工标注训练集；（ii）模型的黑箱特性和缺乏校准的不确定性估计，导致下游科学分析不可靠。

论文提出一种完全无需人工标注训练数据的框架：利用模拟注入的瞬变源提供干净的正例标签，直接使用未标注的巡天检测数据作为负例（尽管其中含有真实事件，因而形成标签噪声不对称）。同时，为提供可信赖的决策支持，作者系统评估了多种不确定性量化方法，并利用潜在空间可视化提升模型可解释性。

核心方法和技术细节

数据和注入策略

使用 HSC（Hyper Suprime‑Cam）子巡天数据，经 LSST 科学管线处理，生成 30×30 像素的模板与差分双通道图像。通过物理驱动的注入管道模拟超新星类点源，注入位置与宿主星系相关联，亮度均匀分布，并包含 10% 无宿主成分，确保注入样本的多样性。注入样本经 DIA 管线处理后，被标记为 “真实”（Transient），而所有巡天检测均标记为 “伪迹”（Bogus），尽管后者包含未被识别的真实事件。最终训练集由51.5k 注入检测与43.6k 巡天检测组成（论文第 2.2 节，表 4）。人工标注子集来自 UDEEP 数据集，经严格光变曲线过滤和人工分类，获得 306 个光变曲线（4820 个单次检测）作为评估标准，但评估集仅用于评价，不参与训练。

网络架构与训练

采用三卷积块+两层全连接的 CNN（图 2），输入为 30×30 双通道（模板与差分）。超参数通过贝叶斯优化确定，模型选择基于注入类别的假阴性率（FNR），旨在保护对真实事件的高召回率（第 3.4 节）。

弱监督学习与非对称协同教学（Asym‑Co‑teaching）

训练目标是从有噪数据中分离出真实‑伪迹边界。传统协同教学（Co‑teaching）在两个模型之间互相选取低损失样本进行更新，以对抗标签噪声，但未考虑噪声的类别不平衡。论文提出Asymmetric Co‑teaching，为真实（注入）类和伪迹（巡天）类分别设定遗忘率 ra(t)r_a(t) 和 rb(t)r_b(t)，在每个小批次内按类别独立筛选低损失样本后再进行交互更新（公式 1‑2，图 3）。这确保从真实类中丢弃的样本更少，从而避免无意中丢弃珍贵的真实例。遗忘率设计为从 0 线性上升到预先设定的上限，上限依据对训练集噪声比例的预估设定。

不确定性量化（UQ）方案

基准模型使用确定性 CNN，对比方法包括 MC Dropout、深度集成（50 个模型）和排斥集成。论文进一步提出一种低成本混合 UQ 策略：利用协同教学中已有的两个网络作为小型集成，并在推理时对每个网络施加 MC Dropout，聚合 N×MN\times M 个随机前向结果（N=2N=2，MM 为 dropout 掩码数），从而以极低训练代价产生预测方差（公式 7‑8）。该策略被形式化为一种混合近似后验分布（第 5.5 节）。

潜在空间分析与可解释性

提取倒数第二全连接层的激活，用 UMAP 降至二维进行可视化。结合交互工具，可检视分类结果、信噪比（SNR）和不确定性在潜在空间中的分布，揭示决策边界附近的样本及其与物理量的关系。

创新点和贡献

  1. 完全无人工标注的训练范式：仅靠注入模拟与有噪巡天数据，实现有效的真实‑伪迹分类，使方法可扩展至未来大规模巡天，而无需昂贵的标注工作。
  2. 针对非对称标签噪声的协同教学策略：标准协同教学忽略噪声的类别依赖性；Asym‑Co‑teaching 通过类内独立选择小损失样本，在噪声高达 35% 的情况下仍保持高精度和召回率（表 5）。
  3. 高效的不确定性量化方案：将双网络训练结构与 MC Dropout 结合，在校准误差（ECE 0.0375）和负对数似然（NLL 0.292）上均优于 50 个模型的深度集成（表 6），同时训练成本大幅降低。
  4. 潜在空间可视化揭示子结构：论文展示模型不仅能区分真实/伪迹，还能在伪迹类内部识别出不同子类（如偶极子残差、负差分区域等），为诊断和模型改进提供定性手段（图 4）。

实验结果分析

弱监督学习鲁棒性

在不同噪声水平（0%‑35%，通过将部分注入例标签翻转为伪迹来模拟）下，标准监督训练性能随噪声迅速下降（ROC 从 0.966 降至 0.903），而协同教学变体保持稳健：Asym‑Co‑teaching 在 35% 噪声时仍达 ROC 0.950，准确率 0.871（表 5）。在原始（0% 噪声）数据集上，所有方法性能相近（Acc 约 0.91‑0.92）。

不确定性校准

表 6 结果显示，所提混合方法 ECE 为 0.0375，Brier 分数 0.063，NLL 0.292，均低于 MC Dropout（ECE 0.0405）、深度集成（ECE 0.0535）和排斥集成（ECE 0.0511）。校准曲线（图 5）直观表明该方法残差波动更小。

与物理量的关联

不确定性估值与信噪比（SNR）呈负相关（Spearman ρ=−0.296\rho = -0.296），与距最大亮度时间间隔呈正相关（ρ=0.218\rho=0.218，表 7），表明模型对更难分类的样本合理分配更高不确定性。这一关联主要由真阳性子集驱动（附录 E.2）。

光变曲线级聚合

将同目标的单次预测汇总为光变曲线标签（按多数投票），在 306 条人工标注曲线上仅错分 2 例（准确率 99.35%），且一致性高：79.7% 的瞬变曲线有超过 80% 的检测被分类为真实（图 6 及表 H.1）。不确定性与观测工况吻合，亮度峰值附近不确定性低（均值 0.074），远离峰值时升高（均值 0.180）且精度降至 0.75。

实践建议

  1. 无标签训练管线的构建：对于新巡天或缺少标注的场景，可基于自身的图像减除流程重新运行注入训练管线。注入只需较精细的宿主星系掩模和合理的亮度分布，即可生成平衡的训练集，无需人工参与。论文表明方法在极高噪声下依然稳健，因此对实时警报流中较低的伪迹比例具有包容性。

  2. 不确定性量化的低成本采纳：部署时无需维护大规模集成，仅利用协同教学训练出的两个模型加上推理时的 MC Dropout，就能获得校准良好且与物理量相关的不确定性，可用于下游权重分配或触发人工复核。推理成本接近单模型，易于集成到实时管道中。

  3. 模型诊断与迭代：利用 UMAP 可视化定位高不确定性区域或系统性误分类群组，可反向指导注入模拟的改进（例如增加某些形态的伪迹注入），或调整数据预处理策略。交互式潜在空间浏览器（随附补充材料）可作为质量监控工具。

  4. 跨巡天迁移时需注意：尽管论文强调可移植性，但直接迁移可能面临域偏移，建议在新巡天重新执行完整的注入‑训练‑推理流程，以避免性能退化。同时，注意对噪声遗忘率的设定需结合新数据集的特点调整。