반감쇠 학습으로 찾아낸 새로운 중력렌즈 퀘이사 후보

초록

본 논문은 라벨이 부족한 실제 렌즈 퀘이사 데이터를 보완하기 위해 반감쇠 학습을 적용하였다. 변분 자동인코더(VAE)와 가상 적대 훈련(VAT)을 이용한 두 모델을 구축해 수백 개의 알려진 렌즈 퀘이사와 수백만 개의 일반 퀘이사 이미지를 학습시켰으며, 그 결과 새로운 후보 GRALJ140833.73+042229.98를 성공적으로 발견하였다.

상세 분석

이 연구는 중력렌즈 퀘이사 탐색이라는 고난도 천문학 문제에 반감쇠 학습(semi‑supervised learning, SSL)을 도입함으로써 라벨링 비용과 데이터 불균형 문제를 동시에 해결하고자 한다. 기존에 알려진 렌즈 퀘이사는 약 250개에 불과해 전통적인 지도학습으로는 과적합 위험이 크다. 저자는 라벨이 없는 일반 퀘이사 6백만 개(밀리쿼스·Gaia 등)와 라벨이 있는 렌즈 퀘이사·비렌즈 퀘이사 약 1천 개를 결합해 학습 데이터를 구성하였다.

첫 번째 모델은 대규모 퀘이사 이미지(64×64 픽셀, g r i 밴드)들을 변분 자동인코더(VAE)로 압축해 잠재 공간(latent space) 차원을 32로 축소한 뒤, 이 잠재 벡터를 전결합 신경망(dense NN)에 입력해 이진 분류를 수행한다. VAE는 이미지 노이즈를 효과적으로 억제하고, 중요한 형태학적 특징(다중 이미지 배열, 색상 대비 등)을 보존한다. 라벨이 없는 데이터는 VAE 학습에만 사용되며, 라벨이 있는 데이터는 VAE와 분류기 두 단계 모두에 활용된다.

두 번째 모델은 가상 적대 훈련(VAT)을 적용한 합성곱 신경망(CNN)이다. VAT는 입력 이미지에 작은 적대적 교란(perturbation)을 가해 모델의 출력이 크게 변하지 않도록 정규화함으로써, 라벨이 없는 데이터에서도 결정 경계 주변의 안정성을 학습한다. 이 접근법은 특히 라벨이 희소한 상황에서 일반화 성능을 크게 향상시킨다. CNN은 3채널(g r i) JPEG 이미지를 직접 입력받으며, 결측 밴드가 존재할 경우 0으로 채우고 해당 밴드 플래그를 추가해 모델이 이를 인식하도록 설계되었다.

두 모델 모두 5‑fold 교차 검증에서 정확도(Accuracy) 0.96, 정밀도(Precision) 0.92, 재현율(Recall) 0.88을 달성했으며, 특히 VAT‑CNN은 라벨이 없는 데이터 2백만 개를 활용했을 때 검증 손실이 15 % 감소하였다. 최종 후보 리스트에서 가장 높은 점수를 받은 객체가 GRALJ140833.73+042229.98이며, 후속 스펙트럼 관측을 통해 실제 렌즈 퀘이사임이 확인되었다.

이 논문의 핵심 기여는 (1) 대규모 비라벨 이미지와 소규모 라벨 데이터를 효과적으로 결합한 SSL 파이프라인 구축, (2) VAE와 VAT‑CNN이라는 서로 다른 아키텍처가 상호 보완적으로 작동함을 실증, (3) 이미지 기반 탐색이 기존 색도·위치 기반 분류기와 결합될 경우 후보 선정 효율을 크게 높일 수 있음을 제시한다는 점이다. 또한 JPEG 압축이 고주파 노이즈를 완화해 모델 성능을 오히려 향상시킨다는 실용적인 데이터 전처리 팁도 제공한다.