5건의 기사
자기지도학습 기반 멀티모달 모델이 기존 SED 피팅에 필요한 다중 밴드 관측이 없는 희소한 제임스웹 우주망원경(JWST) 데이터에서도 은하의 항성질량을 복원했다. 단일 밴드 F150W 이미지와 관측 프레임 1-2 μm PRISM 스펙트럼을 짝지어 학습한 결과, 1<z≤3 구간에서 R² 약 0.9, σ_NMAD = 0.24 dex의 정확도로 항성질량을 복원했다. 교차 모달 CLIP 정렬을 적용하면 단일 모달 성능이 이미지에서 ΔR² = +0.04, 분광에서 +0.09만큼 향상되어 두 모달을 함께 쓰는 추론과의 격차를 좁혔다.
arXiv astro-ph.GA (은하)
TESS 광도곡선은 항성의 맥동·자전·쌍성·진동 등 물리적 성질을 담고 있지만, 수작업 분류가 불가능할 만큼 많은 광도곡선이 생산된다. 연구진은 라벨이 없는 TESS 광도곡선으로 합성곱 인코더를 사전학습해 각 구간의 잠재 표현을 이웃 구간으로부터 예측하도록 한 뒤, 이를 고정하고 기존 25개 공학적 특징에 더해 하나의 고정된 선형 프로브로 10개 과제(변광성 5개 분류, 측성진동학 4개 목표, 자전 주기)를 평가했다. 학습된 특징을 추가한 조합은 10개 과제 중 7개에서 공학적 특징만 쓴 경우보다 성능이 개선됐으며, 학습되지 않은 인코더에서는 이러한 개선이 나타나지 않았다. 또한 같은 라벨 데이터로 종단간 학습한 두 신경망보다도 대부분의 과제에서 더 나은 성능을 보였다.
arXiv astro-ph.IM (관측기기)
연구진은 라벨이 없는 킬로디그리 서베이(KiDS) 은하 이미지 305,583장을 대조학습으로 학습시킨 뒤, 사람이 분류한 5,000장만으로 분류기를 훈련하는 라벨 효율적 자기지도학습 프레임워크를 제안했다. 이 분류기는 은하를 타원, 나선, 렌즈형 원반, 불규칙, '기타' 등 다섯 가지로 나누며, 64x64 픽셀 크롭을 적용한 ResNet-50 모델로 최대 91.0%(평균 90.5% ± 0.2%)의 테스트 정확도를 기록했다. 각 유형의 F1 점수는 타원 0.96, 나선 0.86, 불규칙 0.86, 렌즈형 원반 0.95, '기타' 0.92였다. 연구진은 이 파이프라인을 KiDS 데이터 릴리스 5(DR5)에 적용해 은하 310,583개의 형태 분류 목록을 공개했으며, 이는 KiDS 은하에 대한 최초의 형태 목록이라고 밝혔다.
arXiv astro-ph.GA (은하)
연구진은 자기지도학습 기반 딥 클러스터링으로 만든 분류기 앙상블을 LOFAR Two-metre Sky Survey(LoTSS) DR3 표본에 적용해, 기존 DR2에서 인식된 12개 형태 분류를 넘어서는 희귀 형태를 탐색했다. DR3은 1,300만 개가 넘는 전파원을 포함하며, 이 중 88%는 표현 공간에서 DR2 클러스터와 일치하는 뚜렷이 분리된 군집에 속했고, 나머지에서 날개형(winged)과 FR 분류가 모호한 전파원 등 6개 형태 분류를 새로 확인했다. 최종 18개 분류의 분포는 크게 치우쳐 4개 우세 분류가 DR3 표본의 69%를 차지했으며, 연구진은 이런 편중이 균형 잡힌 훈련 데이터 구축에 근본적인 난제이자 향후 관측에서 개방형 집합(open-set) 접근이 필요한 이유라고 밝혔다.
arXiv astro-ph.GA (은하)
연구진은 Radio Galaxy Zoo 이미지로 사전학습한 약 600만 파라미터 규모의 초소형 비전 모델에 LeJEPA를 적용해, 잠재공간 정규화가 전파은하 형태 분류 성능을 높이는지 기존 자기지도학습 프레임워크와 비교 평가했다. 세 개의 평가 데이터셋에서 LeJEPA는 훨씬 큰 파운데이션 모델과 비슷한 성능을 내면서 학습·평가 데이터셋 전반에 걸쳐 더 일관된 표현을 만들어냈다. 저자들은 이 결과가 과학 이미징 분야에서 작은 도메인 특화 모델이 대형 파운데이션 모델의 전이 표현과 경쟁하려면 표현 학습 목적함수의 선택이 결정적임을 시사한다고 밝혔다.
arXiv astro-ph.IM (관측기기)