Domain-Informed Multi-View Self-Distillation for Astronomical Light-Curve Representation Learning with JEPA

천문학적 광도곡선(light curve) 표현 학습을 위해 JEPA와 도메인 지식을 결합한 프레임워크. 불규칙 샘플링, 복잡한 잡음, 넓은 시간 스케일 문제를 해결한다.

이 논문은 천문학적 광도곡선의 견고한 표현 학습을 위해 도메인 지식 기반 multi-view JEPA 프레임워크를 제안한다. Raw 시계열, Lomb-Scargle 주기도, 위상 접기 광도곡선의 3가지 view를 사용하고, 불규칙 관측 시간을 위한 C-RoPE와 측정 불확실성을 위한 EANE를 도입했다. StarEmbed 분류 벤치마크 16개 지표 중 15개에서 수작업 특징을 능가하며 최초의 딥러닝 기반 우위를 달성했고, 12개 비천문학 불규칙 시계열 데이터셋에서도 5개 SOTA를 기록했다.

핵심 요약

• C-RoPE(Continuous Rotary Positional Embedding): 불규칙 관측 시간 간격을 회전 위치 인코딩으로 처리
• EANE(Error-Aware Numeric Embedding): 측정 불확실성(잡음)을 임베딩에 통합
• 3가지 도메인 view: raw 광도곡선, GLS 주기도, 위상 접기 곡선의 multi-view self-distillation
• StarEmbed 벤치마크 16개 지표 중 15개에서 수작업 특징 최초 능가 (macro-F1 42.56~63.58)
• 유사도 검색, 영점 드리프트 검출, 파라미터 추정 등 다운스트림 응용 검증
• PYRREGULAR 12개 비천문학 데이터셋 중 5개 SOTA → 도메인 특화 설계의 중요성 시사

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.