星系形态分类中的不确定性估计

天文学家通过星系形态分类研究宇宙演化。尽管深度基础模型在星系形态分类（GMC）中的应用日益增多，但评估GMC结果不确定性的工作很少。不确定性评估很重要，因为受仪器与环境条件限制，天文数据天然含噪；此外，星系的持续演化造成内在的形态模糊性。然而，当前基础模型以确定性点估计器的方式运行，无法量化不确定性。为克服这一局限，我们提出UEGMC，一个用于星系形态分类的事后（post-hoc）不确定性估计框架。它将GMC中的不确定性按源自模型参数、天文数据、参考标准或内在物理模糊性划分为不同类型，从而促进更好的分类。该框架可直接从基础模型冻结骨干提取的表示预测不确定性，无需计算昂贵的采样，因此能实现细粒度的不确定性评估。实验结果表明，与以往方法相比，UEGMC提供了有竞争力的不确定性量化性能。