Re-envisioning Euclid Galaxy Morphology: Identifying and Interpreting Features with Sparse Autoencoders
John F. Wu, Michael Walmsley
稀疏自动编码器(SAEs)可以有效地识别来自预训练神经网络的候选单语义特征,用于星系形态。 我们在Euclid Q1图像上使用监督(Zoobot)和新的自监督(MAE)模型证明了这一点。 我们公开发布的MAE实现了超人的图像重建性能。 虽然受监督模型的主要组件分析(PCA)主要识别已经与Galaxy Zoo决策树一致的特征,但SAE可以在该框架之外识别可解释的特征。 SAE功能也显示出比PCA与Galaxy Zoo标签更强的对齐。 尽管可解释性方面的挑战仍然存在,但SAE为发现超出人类定义分类范围的天体物理现象提供了强大的引擎。
Sparse Autoencoders (SAEs) can efficiently identify candidate monosemantic features from pretrained neural networks for galaxy morphology. We demonstrate this on Euclid Q1 images using both supervised (Zoobot) and new self-supervised (MAE) models. Our publicly released MAE achieves superhuman image reconstruction performance. While a Principal Component Analysis (PCA) on the supervised model primarily identifies features already aligned with the Galaxy Zoo decision tree, SAEs can identify interp...
