베이즈 계층적 스태킹으로 항성 질량·반지름 확률 추정… 외계행성 모성 2,400여 개에 적용

외계행성 특성 분석에는 정확한 항성 변수가 필요하지만 대부분의 모성(host star)은 질량·반지름 직접 측정값이 없다는 문제의식에서 출발한 연구다. 연구진은 베이즈 가법 회귀나무(BART), 이중 과정 이분산 희소 가우시안 프로세스, 계층적 베이즈 신경망 등 세 가지 확률 모델을 베이즈 계층적 스태킹(BHS)으로 결합해 측정 불확실성과 입력 변수 간 상관관계를 반영하는 기계학습 프레임워크를 만들었다. 검증용 테스트셋에서 평균 절대 상대 차이(MARD)는 질량 3.5%, 반지름 2.1%로 기존 경험식 기반 방법과 표준 기계학습보다 개선됐고, 케플러 LEGACY 항성 44개에서는 BASTA 추정값과의 MARD가 4.8%로 경험식-BASTA 간 8.5%보다 작았다. 외계행성 모성 약 2,400개에 적용한 결과 질량·반지름 모두 기존 문헌값과 MARD 2.7% 차이를 보였으며, 잔차 분석에서는 저온 왜성에서 과소추정 경향, 주계열 전향점 부근에서 양의 편차가 나타났다. g = GM/R² 내부 정합성 검사에서 BHS 예측의 Δlog g 산포는 문헌값보다 3분의 1 수준으로 낮았다.