본 연구는 PLAsTiCC 데이터셋의 과도 현상 천문 객체 광도 곡선을 분류하기 위해 양방향 LSTM 신경망을 제시한다. 불균형한 클래스 문제를 해결하기 위해 14개의 원래 객체 클래스를 5개의 일반화된 범주(S-Like, Fast, Long, Periodic, Non-Periodic)로 재구성했다. 패딩, 시간적 재조정, 플럭스 정규화를 거친 후, 마스킹 레이어가 있는 양방향 LSTM 네트워크를 19,920개의 객체로 구성된 테스트 세트에서 훈련하고 평가했다. S-Like 및 Periodic 클래스에 대해 높은 성능을 보였으며, ROC AUC 값은 각각 0.95와 0.99, Precision-Recall AUC 값은 각각 0.98과 0.89를 기록했다. 그러나 Fast 및 Long 클래스에 대한 성능은 현저히 낮았으며(Long 클래스의 ROC AUC는 0.68), Periodic 및 Non-Periodic 객체를 구별하는 데 어려움을 겪었다. 부분 광도 곡선 데이터(탐지 시점으로부터 5, 10, 20일)에 대한 평가 결과 성능이 크게 저하되었으며, S-Like 클래스로의 오분류가 증가했다.
