본 연구에서는 관측된 스펙트럼으로부터 별의 대기 매개변수를 예측하기 위해 정규화된 다중 작업 접근 방식을 사용하는 새로운 딥 러닝 프레임워크인 deep-REMAP을 개발했습니다. PHOENIX 합성 스펙트럼 라이브러리에 대해 딥 컨볼루션 신경망을 훈련하고, MARVELS 탐사의 FGK 왜성 스펙트럼의 작은 부분 집합에 대해 전이 학습을 수행했습니다. 그런 다음 동일한 탐사에서 732개의 특성이 없는 FGK 거성 후보에 모델을 적용했습니다. MARVELS 보정 별 30개에 대해 검증했을 때 deep-REMAP은 유효 온도 ($T_{\rm{eff}}$), 표면 중력 ($\log \rm{g}$), 금속 함량 ([Fe/H])을 정확하게 복구했으며, 예를 들어 $T_{\rm{eff}}$에서 약 75 K의 정밀도를 달성했습니다. 비대칭 손실 함수를 임베딩 손실과 결합함으로써, 회귀-분류 프레임워크는 해석 가능하고 매개변수 불균형에 강하며 비가우시안 불확실성을 포착할 수 있습니다. deep-REMAP 프레임워크는 MARVELS용으로 개발되었지만 다른 탐사 및 합성 라이브러리로 확장 가능하며, 별 특성화를 위한 강력하고 자동화된 경로를 보여줍니다.
