[논문 리뷰] Anomaly Detection in Astronomical Images with Generative Adversarial Networks

Kate Storey-Fisher, Marc Huertas-Company외 5명|arXiv (Cornell University)|2020. 12. 14.

Anomaly Detection Techniques and Applications인용 수 4

한 줄 요약

이 논문은 하이퍼 수프라임-카메라 설문을 이용해 은하 이미지에 대한 WGAN 기반 이상 탐지 방법을 제안하며, 워셔스타인 GAN과 컨volutional autoencoder를 조합하여 희귀하거나 이례적인 물체를 식별하고 특성화한다. 이 방법은 약 9,000개의 매우 이례적인 은하를 탐지하였으며, 이는 융합, tidal 특징, 극도로 활발한 별 형성 활동을 보이는 은하를 포함한다. 후속 분광학적 관측을 통해 희귀한 금속 농도가 낮은 파란 밀집 난류 은하가 확인되었다.

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.

연구 동기 및 목표

• 전문가가 레이블링한 이상치가 없는 대규모 천문학적 영상 데이터셋을 대상으로 비지도 이상 탐지 방법을 개발하기 위해.
• 특히 루빈 관측소와 같은 향후 설문과 함께 증가하는 빅데이터 천문학에서 희귀하거나 뜻밖의 물체를 식별하는 과제를 해결하기 위해.
• 워셔스타인 GAN의 재구성 오차와 컨volutional autoencoder를 통한 차원 축소를 조합하여 이상 탐지의 정밀도를 향상시키기 위해.
• 과학적으로 관심 있는 이상 현상을 식별하고 후속 분광학적 관측을 통해 그 과학적 의미를 확인함으로써 방법을 검증하기 위해.
• 이상도 점수와 시각화 도구를 포함한 공개 카탈로그를 제공하여 빅데이터 천문학에서의 보다 넓은 과학적 발견을 지원하기 위해.

제안 방법

• HSC-SSP 설문에서 유래한 약 940,000개의 $96\times96$-픽셀 $gri$-대역 은하 컷아웃에 대해 기울기 보정이 적용된 워셔스타인 GAN을 훈련한다.
• 이상도 점수는 진짜 이미지와 WGAN에 의해 재구성된 이미지를 구분하는 디스criminator의 신뢰도에 기반하여 할당된다.
• 진짜 이미지와 WGAN에 의해 재구성된 이미지 간 잔차 이미지를 컨volutional autoencoder를 통해 처리하여 차원을 축소하고 의미 있는 특징을 추출한다.
• 자동에코드된 잔차 이미지를 UMAP를 사용하여 시각화하여 잠재 공간에서 이상 구조를 군집화하고 탐색한다.
• UMAP 공간에서 이상 현상을 탐색하고 분류하기 위해 맞춤형 상호작용 시각화 도구를 개발한다.
• 과학적 관심이 높은 고이상도 점수를 가진 물체들을 대상으로 케크 망원경을 이용한 후속 분광학적 관측을 수행한다.

실험 결과

연구 질문

• RQ1 인간이 레이블링한 이상치가 없는 대규모 옵티컬 영상 설문에서 WGAN 기반 접근법이 희귀하거나 이례적인 은하를 효과적으로 탐지할 수 있는가?
• RQ2 진짜 이미지와 생성된 이미지 간 잔차 차이를 어떻게 의미적으로 특성화할 수 있으며, 이를 통해 기저의 물리적 구조를 드러낼 수 있는가?
• RQ3 WGAN + CAE 방법에 의해 식별된 이상 현상들이 은하 융합이나 별 폭발과 같은 과학적으로 관심 있는 천체물리 현상과 실제로 일치하는가?
• RQ4 이 방법은 진짜 천체물리적 이상 현상과 기기 오류 또는 파ip라인 오류를 구분할 수 있는가?
• RQ5 이 방법은 루빈 관측소의 우주와 시간에 대한 유산 설문과 같은 향후 대규모 설문에 대해 확장 가능하고 일반화 가능한가?

주요 결과

• 이 방법은 총 942,782개의 은하 컷아웃 중에서 약 9,000개의 매우 이례적인 이미지의 하위표본을 성공적으로 식별하였다.
• 자동에코드된 잔차의 UMAP 시각화 결과, 파란 별 형성 영역, 활동적인 영역이 있는 확장된 은하, 은하 융합을 포함한 명확한 이상 현상 군집이 드러났다.
• 분광학적 후속 관측을 통해 고이상도 물체 중 하나가 적색편이 z ~ 0.03에서 발견된 희귀한 금속 농도가 낮은 파란 밀집 난류 은하로 확인되었으며, 기체의 분출 징후가 있었다.
• 파이프라인 오류로 인한 잔차, 예를 들어 포화 현상과 줄무늬 같은 현상들이 잔차 공간에서 함께 군집되어 있어, 이 방법이 기기 오류와 천체물리적 이상 현상을 효과적으로 분리할 수 있음을 보여주었다.
• 전통적인 군집화 방법에 비해 WGAN 기반 이상 탐지 방법은 조각 난 특징이나 융합 시스템과 같은 복잡한 비정규 분포를 띠는 구조를 더 잘 식별하였다.
• 저자들은 향후 빅데이터 천문학에서의 비지도 발견을 지원하기 위해 이상도 점수 카탈로그와 시각화 도구를 공개할 계획이다.