XGBoost分类器在ALMA带通校准异常检测中把漏检率与误报率同时降低

提出一个可扩展的监督分类框架，把带通幅度异常检测从单变量阈值判断转为多特征非线性分类，当前实现只处理幅度解。 相对依赖人工检查或专家手工调参阈值的做法，该框架用XGBoost在多个特征上联合优化预测性能，并明确设计为可扩展到相位特征与其他异常类型。 框架描述、标签定义与特征表在方法部分完整给出；训练集为Cycle 9的84,572个带通解（42,286个极化对），标签来自QA2标记动作加作者复核。

以Nadarya-Watson核回归扫描统计量构造核心特征，并用掩蔽、非掩蔽与固定62.5 MHz宽度三种运行方式覆盖不同异常情形。 掩蔽版本排除已知大气谱线区间以抑制误报，非掩蔽版本应对异常与大气干扰重叠的情形，固定宽度版本对应BLC FDM子带宽度，从而针对平台化异常。 特征构造在表1中逐项说明；作者另用ATM代码在1 MHz分辨率上建立全波段大气透过率模型，用寻峰算法标定大气干扰区间。

在Cycle 9数据上，随特征逐步加入，五折外层测试的平均F1从仅用扫描统计量基线提升到全特征集的水平，折间波动减小。 相对单一扫描统计量基线，加入区间宽度、非掩蔽与固定宽度特征以及专家特征后，混淆矩阵显示假阳性与假阴性计数同时下降。 评估采用执行块级划分的嵌套5×5交叉验证，每个外层折各作一次测试集，使每个有标签异常恰好被评估一次；训练集类别高度不平衡，异常仅占42,286个极化对中的少数，训练时对少数类加权。

在适用的FDM子集上，分类器相比现行ALMA管线子带启发式同时降低漏检率与误报率，并在Cycle 11数据上给出与新波段一致的泛化表现。 作者把改进归因于两点：XGBoost学习多特征非线性边界，而管线QA框架对每个特征独立设单变量阈值；以及扫描统计量特征与目标子带异常高度匹配。 对比在19,567个FDM极化对样本上进行，漏检率与误报率均下降；Cycle 11测试集含372,120个极化对（744,240个解），分类器在Band 1上给出28个正例、其中27个经复核确认，且因只复核了至少一方判正的样本，所报漏检率与误报率为下界。

该结果面向干涉测量射电观测的带通校准解，当前实现只覆盖幅度解，训练与主要评估基于ALMA Cycle 9的公开PI科学数据，标签由QA2标记动作加作者复核定义。适用场景是观测台管线中的异常标记决策支持：对FDM模式下BLC产生的子带平台化异常，分类器在19,567个极化对样本上相对现行启发式同时降低漏检率与误报率；对未见观测的检验使用Cycle 11的372,120个极化对，包含训练集中没有的Band 1与改用BLC相关的7米阵数据。可直接复用的产出包括公开在Zenodo的Cycle 9训练数据集，以及开源代码库中按全特征集训练的模型。固定宽度特征按62.5 MHz设定并声明可随硬件调整，因此该思路可迁移到采用类似子带拼接流程的下一代宽带 correlator 设施。

分类器在若干情形下仍会误判：谱窗边缘的平台化异常因扫描统计量排除首尾通道而未被充分评估，单个解内出现两个异常区间与扫描统计量假设的单一区间不符，通道数很少且噪声高的解难以区分异常与随机起伏。作者复核发现部分假阴性来自参考天线异常导致的传播性校准伪影，而非漏掉的子带异常，这些伪影是否构成有后果的异常需通过评估校准后的数据产品来判定。Cycle 11的对比未把QA2标记当作真值，且只复核了至少一方判正的样本，因此所报漏检率与误报率为下界；约四分之三被数据复核者标记而分类器判负的样本与Band 1的WVR本振泄漏伪影有关，而该伪影的标记政策在不同周期有变化。此外，本文为快速解析文本，公式、图与部分表格数值未能完整读取，涉及具体F1数值与混淆矩阵百分比的细节需回到原文核对。