[논문 리뷰] Machine Learning Applied to STAR-GALAXY-QSO Classification of The Javalambre-Photometric Local Universe Survey

Cunshi Wang, Yu Bai외 3명|arXiv (Cornell University)|2021. 06. 24.

Astronomy and Astrophysical Research인용 수 2

한 줄 요약

이 논문은 Javalambre-Photometric Local Universe Survey (J-Plus)에서 12개 파장대의 광학적 데이터와 분광학적 레이블을 활용하여 항성, 은하, 활성은하핵(은하핵)을 분류하기 위해 지도 학습 기반의 서포트 벡터 머신(SVM)을 사용하는 방법을 제안한다. 분류기는 블라인드 테스트에서 96.5%의 정확도를 기록했으며, 교차검증에서는 97.0%의 정확도를 달성했으며, F₁-스코어는 항성 95.0%, 은하 92.9%, 활성은하핵 87.0%였다.

ABSTRACT

In modern astronomy, machine learning as an raising realm for data analysis, has proved to be efficient and effective to mine the big data from the newest telescopes. By using support vector machine (SVM), we construct a supervised machine learning algorithm, to classify the objects in the Javalambre-Photometric Local Universe Survey (J-Plus). The sample is featured with 12-waveband, and magnitudes is labeled with spectrum-based catalogs, including Sloan Digital Sky Survey spectroscopic data, Large Sky Area Multi-Object Fiber Spectroscopic Telescope, and VERONCAT - Veron Catalog of Quasars & AGN. The performance of the classifier is presented with the applications of blind test validations based on RAdial Velocity Extension, Kepler Input Catalog, 2 MASS Redshift Survey, and UV-bright Quasar Survey. The accuracies of the classifier are 96.5% in blind test and 97.0\% in training cross validation. The F_1-scores are 95.0% for STAR, 92.9% for GALAXY and 87.0% for QSO. In the classification for J-Plus catalog, we develop a new method to constrain the potential extrapolation.

연구 동기 및 목표

• 광학적 관측을 통해 얻은 천체를 항성, 은하, 활성은하핵으로 분류하는 데 있어 기계학습 기반의 도전 과제를 해결하기 위해.
• 12개의 광학 파장대와 복잡한 천체 구조를 특징으로 하는 Javalambre-Photometric Local Universe Survey(J-Plus)에서 분류 정확도를 향상시키기 위해.
• RAVE, Kepler Input Catalog, 2MASS Redshift Survey, UV-빛나는 활성은하핵 설문조사와 같은 독립적인 외부 데이터셋을 활용한 블라인드 테스트를 통해 분류기의 강건성을 검증하기 위해.
• 미래에 등장할 새로운, 관측되지 않은 데이터에 대한 분류 예측의 외삽 오류 가능성을 제약하는 새로운 방법을 개발하기 위해.

제안 방법

• J-Plus 설문조사의 천체를 분류하기 위해 서포트 벡터 머신(SVM) 기반의 지도 학습 프레임워크를 활용한다.
• SDSS, LAMOST, 그리고 Veron의 활성은하핵 및 AGN 카탈로그와 같은 분광학적 카탈로그에서 제공하는 레이블이 부여된 광학 magnitude를 사용해 분류기를 훈련시킨다.
• 각 천체의 스펙트럼 에너지 분포(SED)를 표현하기 위해 12개 파장대의 광학적 데이터를 입력 특징으로 활용한다.
• RAVE, Kepler Input Catalog, 2MASS Redshift Survey, UV-빛나는 활성은하핵 설문조사와 같은 외부 데이터셋을 대상으로 블라인드 테스트를 수행하여 성능을 검증한다.
• 일반화 성능를 추정하기 위해 훈련 과정에서 10겹 교차검증을 적용한다.
• 훈련 데이터 분포를 벗어난 천체에 대한 예측에서 발생할 수 있는 외삽 오류의 위험을 평가하고 제약하는 데 새로운 방법을 도입한다.

실험 결과

연구 질문

• RQ1 SVM 기반의 기계학습 모델은 J-Plus의 12밴드 광학 설문조사에서 항성, 은하, 활성은하핵을 얼마나 정확하게 분류할 수 있는가?
• RQ2 RAVE, Kepler Input Catalog, 2MASS Redshift Survey, UV-빛나는 활성은하핵 설문조사와 같은 독립적인 외부 데이터셋에서 분류기가 얼마나 잘 작동하는가?
• RQ3 세 가지 천체 유형 간의 F₁-스코어는 어떻게 변동하는가? 특히 더 어려운 활성은하핵 유형에 대해서는 어떻게 되는가?
• RQ4 분류기는 훈련 데이터 분포를 벗어난 천체로까지 얼마나 잘 일반화할 수 있으며, 이러한 위험은 어떻게 정량적으로 제약할 수 있는가?

주요 결과

• SVM 분류기는 블라인드 테스트에서 96.5%의 정확도를 기록하여 새로운 데이터에 대한 강력한 일반화 능력을 보였다.
• 10겹 교차검증에서 97.0%의 정확도를 달성하여 내부 일관성과 낮은 과적합 성향을 보였다.
• F₁-스코어는 항성 95.0%, 은하 92.9%, 활성은하핵 87.0%였으며, 활성은하핵의 경우 복잡하고 변동성이 큰 SED로 인해 다소 낮은 성능을 보였다.
• 다양한 외부 데이터셋에 대한 검증을 통해 J-Plus 카탈로그의 천체를 높은 신뢰도로 분류하는 데 성공했다.
• 외부 데이터 범위를 초월한 예측에서의 외삽 오류 위험을 제약하는 데 도움이 되는 새로운 방법이 제안되어, 훈련 데이터 이외의 영역에서의 불확실성 평가에 유용한 도구가 되었다.
• 결과적으로, J-Plus와 같은 대규모 천문학적 설문조사에서 다밴대 광학 측정을 활용한 SVM 기반 분류가 매우 효과적임을 확인했다.