성상 혼합 이미지 분류를 위한 가우시안 프로세스

두 개 이상의 별이 하나의 이미지에서 혼합되어 나타나는 성상 혼합(stellar blend)은 천문학에서 시각화 및 분석에 상당한 어려움을 초래합니다. 기존에는 단일 별과 성상 혼합을 구분하는 과정이 고가의 장비와 광범위한 전문가 분석을 필요로 하여 비용과 자원 소모가 컸습니다. 이는 LSST, SDSS, DESI, Legacy Imaging Survey, ZTF와 같은 대규모 천문 탐사에서 발생하는 방대한 양의 데이터를 분석하는 데 특히 문제가 됩니다. 이러한 문제를 해결하기 위해, 본 연구에서는 단일 별과 성상 혼합의 저해상도 이미지에 다양한 정규화 및 데이터 임베딩 기법을 적용했습니다. 이를 머신러닝 방법과 계산 효율적인 가우시안 프로세스 모델(MuyGPs)의 입력으로 활용했습니다. MuyGPs는 벤치마크 모델들보다 일관되게 우수한 성능을 보였으며, 특히 제한된 훈련 데이터 환경에서 뛰어난 결과를 나타냈습니다. 적절한 전처리 및 임베딩 파이프라인을 적용하고 rth 제곱근 국소 최소-최대 정규화(rth root local min-max normalization)를 사용했을 때, MuyGPs는 83.8%의 정확도를 달성했습니다. MuyGPs는 예측 불확실성 추정치를 제공하므로, 전문가 검토를 위해 신뢰도가 낮은 예측을 플래그하는 등 인간 개입(human-in-the-loop) 워크플로우에 유용하게 활용될 수 있습니다.