[論文レビュー] Anomaly Detection in Astronomical Images with Generative Adversarial Networks

Kate Storey-Fisher, Marc Huertas-Company+5 more|arXiv (Cornell University)|Dec 14, 2020

Anomaly Detection Techniques and Applications被引用数 4

ひとこと要約

本論文では、超新星望遠鏡（Hyper Suprime-Cam）サーベイを用いて、Wasserstein GANと畳み込みオートエンコーダーを組み合わせることで、天文学的画像における異常検出のためのWGANベースの手法を提案する。この手法により、希少または異常な天体を特定・特徴付けることができ、約9,000個の顕著な異常銀河（合体銀河、潮汐構造、極端な星形成銀河を含む）を同定した。その後続の分光観測により、希少な金属欠乏性青白色コンact矮星銀河が確認された。

ABSTRACT

We present an anomaly detection method using Wasserstein generative adversarial networks (WGANs) on optical galaxy images from the wide-field survey conducted with the Hyper Suprime-Cam (HSC) on the Subaru Telescope in Hawai'i. The WGAN is trained on the entire sample, and learns to generate realistic HSC-like images that follow the distribution of the training data. We identify images which are less well-represented in the generator's latent space, and which the discriminator flags as less realistic; these are thus anomalous with respect to the rest of the data. We propose a new approach to characterize these anomalies based on a convolutional autoencoder (CAE) to reduce the dimensionality of the residual differences between the real and WGAN-reconstructed images. We construct a subsample of ~9,000 highly anomalous images from our nearly million object sample, and further identify interesting anomalies within these; these include galaxy mergers, tidal features, and extreme star-forming galaxies. The proposed approach could boost unsupervised discovery in the era of big data astrophysics.

研究の動機と目的

• エキスパートラベルのない異常例を用いずに、大規模な天文学的画像データセットにおける教師なし異常検出手法を開発すること。
• 特に、ルビン天文台のような今後のサーベイを想定し、ビッグデータ天文学における希少または予期しない天体を同定する課題に取り組むこと。
• 畳み込みオートエンコーダーによる次元削減とWasserstein GANの再構成誤差を組み合わせることで、異常の特徴を向上させること。
• 科学的に興味深い異常を同定し、その後続分光観測によってその妥当性を検証することで、手法の妥当性を検証すること。
• 異常スコアの公開カタログと可視化ツールを提供し、ビッグデータ天文学における広範な科学的発見を促進すること。

提案手法

• 940,000枚の$96\times96$ピクセルの$gri$バンド銀河カットアウト（HSC-SSPサーベイより）を学習データとして、勾配ペナルティ付きWasserstein GANを訓練する。
• 異常スコアは、識別器が実画像とWGANによって生成された再構成画像を区別する際の信頼度に基づいて割り当てる。
• 実画像とWGAN再構成画像の残差画像を、次元削減と意味のある特徴抽出のため、畳み込みオートエンコーダーに処理する。
• 自己符号化された残差画像をUMAPを用いて可視化し、潜在空間における異常構造のクラスタリングと探索を実施する。
• UMAP空間における異常を探索・分類可能なカスタムインタラクティブ可視化ツールを開発する。
• 選択された高異常スコアの対象に対して、Keck望遠鏡を用いた後続分光観測を実施し、科学的意義を検証する。

実験結果

リサーチクエスチョン

• RQ1 人為的ラベルなしの異常例を用いずに、WGANベースの手法が大規模な光学画像サーベイにおいて希少または異常な銀河を効果的に検出できるか。
• RQ2 実画像と生成画像の間の残差差分をどのように意味的に特徴づけることができるか、その背後にある物理的構造を明らかにできるか。
• RQ3 WGAN + CAE手法によって同定された異常は、銀河合体や星形成爆発といった科学的に興味深い天体物理学的現象に対応しているか。
• RQ4 この手法は、真の天体物理学的異常と機器由来のアーティファクトやパイプラインエラーを区別できるか。
• RQ5 この手法は、将来の大規模サーベイ（例：ルビン天文台のスペースと時間の歴史的サーベイ）にスケーラブルかつ一般化可能か。

主な発見

• 942,782枚の銀河カットアウトのうち、約9,000枚の顕著な異常画像を効果的に同定した。
• 自己符号化された残差画像のUMAP可視化により、青色星形成領域、活発な領域を有する延長銀河、銀河合体を含む明確な異常クラスタが明らかになった。
• 分光観測による後続調査により、1つの高異常スコア対象が、赤方偏移z ~ 0.03に位置する希少で金属欠乏性の青白色コンパクト矮星銀河であると確認された。また、ガスの噴出の兆候も観測された。
• パイプラインアーティファクト（過光量やストリーク）は、残差空間において一団に集まり、この手法が機器由来の誤りと天体物理学的異常を分離できることを示した。
• WGANベースの異常検出は、潮汐構造や合体系のような複雑で非ガウス的構造を同定する点で、従来のクラスタリング手法を上回った。
• 著者らは、今後、異常スコアのカタログと可視化ツールを公開する計画であり、ビッグデータ天文学における今後の教師なし発見を支援するものである。