천문·천체물리
4MOST 서베이용 천체 스펙트럼 분류에 불확실성까지 담는 베이지안 기법 비교 연구
다가올 4MOST 서베이의 저·고분해능 항성 및 외부은하 스펙트럼을 약 10종으로 분류하기 위해, 입력 데이터와 예측의 불확실성까지 표현하는 확률론적 머신러닝 기법 4가지(CNN, 디리클레 분포, 몬테카를로 드롭아웃, 베이지안 신경망+변분추론)를 비교했다. 약 2만 개 파라미터의 단순 CNN은 SDSS 데이터에서 91.5%, 4MOST 모의 데이터에서 92.8%의 분류 정확도를 기록했으며, 디리클레 직접 예측과 변분추론 모델은 클래스 소속 확률의 불확실성을 제공하지만 클래스를 더 자주 혼동했다. 연구진은 CNN에 몬테카를로 드롭아웃을 적용한 방식이 가장 적합하다고 평가했는데, 정확도를 각각 92.6%와 93.9%로 끌어올리면서도 학습과 추론 속도가 충분히 빨랐기 때문이다. 표준 CNN과 비교해 이 방식은 약간의 추가 비용만으로 잘 보정된 불확실성을 함께 제공한다.
arXiv astro-ph.IM (관측기기)
