Análisis comparativo de búsquedas de lentes gravitacionales fuertes basadas en
aprendizaje de máquina y exploración de técnicas de ensamblaje

Las lentes gravitacionales fuertes se producen cuando la luz de una fuente distante es desviada por una galaxia masiva en primer plano, lo que produce múltiples imágenes o arcos. Estos sistemas permiten una amplia gama de aplicaciones científicas; sin embargo, son extremadamente raros, y los conjuntos de datos modernos contienen cientos de millones de galaxias. Como resultado, muchos esfuerzos de búsqueda aplican técnicas de aprendizaje automático para filtrar eficientemente los datos. Sin embargo, a pesar de su uso generalizado, estos métodos no se han evaluado a fondo para determinar su eficacia en la recuperación de lentes gravitacionales genuinas. En este trabajo, presento un análisis comparativo de tres búsquedas basadas en aprendizaje automático y aplicadas al Dark Energy Survey. Observamos claras mejoras de rendimiento en esfuerzos sucesivos, tanto en la medida F1 como en la completitud. También exploro seis estrategias de ensamblaje para combinar puntajes de modelos de aprendizaje automático individuales y encuentro que la mayoría supera al mejor modelo individual. Estos resultados muestran que los enfoques de ensamblaje ofrecen un camino prometedor para el descubrimiento de lentes en la próxima era de grandes conjuntos de datos astronómicos.