近日，物理与天文空间学院方官文研究员团队研究成果《Robustness Analysis of USmorph. II. Optimizing Feature Extraction, Dimensionality Reduction, and Clustering for Unsupervised Galaxy Morphology Classification》在国际著名期刊《The Astrophysical Journal》（新锐分区小类一区top期刊，JCR一区期刊，影响因子5.2）发表。

该研究对星系形态分类框架USmorph的无监督学习模块进行了系统的鲁棒性分析。特征提取采用ImageNet预训练的AlexNet最为有效，降维使用UMAP以平衡结构与效率。为提高聚类稳定性，提出基于Bagging的多聚类投票方案，其与K-means、Birch、Agg的组合表现最佳（K=16），显著提升了标签一致性与纯度。实验表明，t-SNE呈现清晰的聚类边界，分类结果符合星系演化理论，在参数空间中分布合理。该工作验证了USmorph的技术鲁棒性与科学可信度，为未来大规模巡天项目（如中国空间站望远镜任务）的自动化形态分类提供了可靠方法。（撰稿：郑奕锐、方官文；审核：闻军）

该学术论文网址：https://iopscience.iop.org/article/10.3847/1538-4357/ae6642