A Model Selection Criterion for Multidimensional Gaussian Processes: Application to Radial Velocities
多维高斯过程的模型选择准则：径向速度应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦天文径向速度与通用高斯过程模型选择，未明确涉及所列计量经济学细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
多维高斯过程的模型选择准则：径向速度应用
- 研究问题
- 多维高斯过程模型使用不同辅助时间序列时，如何围绕目标径向速度分量比较模型，并选择最有助于约束恒星信号的指标？
- 方法与思路
- 作者提出目标分量专用信息准则，将径向速度的条件似然与有效参数数目结合，后者计入多维高斯过程施加的正则化。
- 材料陈述的贡献
- 摘要称该准则提供定量且稳健的模型比较框架，可识别有用的活动指标，并可推广至推断聚焦特定可观测量的问题。
- 阅读关注点
- 应核对不同辅助序列组合间条件似然的可比性、有效参数数目的定义，以及准则选择表现和一般化结论的证据。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收；摘要未给出准则公式、理论保证或具体验证结果，推广边界尚不清楚。
原文摘要
Multidimensional Gaussian Process (multi-GP) regression is widely used to disentangle stellar and planetary signals in radial velocities (RVs) by jointly modelling ancillary activity indicators. However, identifying the combination of indicators that best constrains the stellar signal in the RVs is non-trivial, as classical model comparison methods are not directly applicable when multi-GPs involve different time series combinations. In this work, we present an information criterion to compare multi-GP models based on their ability to explain the RV component, $\mathrm{MGIC}_{\rm rv}$. This metric combines the conditional RV likelihood with an effective parameter count that accounts for the regularisation imposed by the multi-GP model on the RV component. We demonstrate that $\mathrm{MGIC}_{\rm rv}$ provides a quantitative and robust framework for multi-GP model comparison, identifying the activity indicators that most effectively constrain the RV signal. Although developed in the context of RV analysis, the proposed criterion is general and applicable to multi-GP problems in which the inference focuses on a specific observable.