정재훈 연구실

본 연구는 트리 기반 이상탐지 방법의 표준 분할 규칙이 데이터 분포를 무시하고 희소 영역 대신 밀집 클러스터를 자르는 문제를 해결하기 위해 밀도 인식 분할(DAP) 프레임워크를 제안합니다. DAP는 밀도 인식 분할과 밀도 인식 방향 두 가지 요소로 구성되며, 대규모 벤치마크 평가를 통해 계산 오버헤드 없이 탐지 정확도를 지속적으로 향상시킴을 입증합니다.

본 연구는 KMTNet 데이터를 이용하여 점원 주입 전략이 실제/가짜(RB) 분류 성능에 미치는 영향을 비교합니다. 무작위 주입(RI), 은하 근처 주입(NGI), 결합 방식으로 훈련 데이터셋을 구성하여 합성곱 신경망을 학습하고 중력파 후속 관측 데이터에서 평가한 결과, RI는 소행성 탐지에 우수하나 초신성 탐지에 약하고, NGI는 은하 근처 천체 탐지에 효과적이나 거짓양성률이 높으며, 결합 방식이 탐지율과 거짓양성률의 균형을 효과적으로 달성합니다.