고에너지 물리학과 우주론에서의 전역 피팅(global fits)은 계산 비용이 큰 또는 위상적으로 복잡한 가능도 함수를 사용하여 고차원 매개변수 공간을 탐색해야 하는 과제에 자주 직면한다. 본 연구에서는 그래디언트 부스팅 회귀 트리(gradient-boosted regression trees, XGBoost)를 사용하여 복잡하고 종종 비가우시안(non-Gaussian)인 가능도 지형을 에뮬레이션하도록 설계된 머신러닝 프레임워크를 제시한다. 머신러닝 접근법이 계산 효율성과 신뢰 구역(confidence region) 해상도 측면에서 갖는 장점, 특히 복잡한 상관관계나 "곡선형" 퇴화(curved degeneracy)가 있는 시나리오에서의 장점을 논의한다. 이 방법론을 반렙톤성 $B$ 메손 붕괴에서의 풍미 이상(flavour anomalies)에 대한 최근 분석에 적용하여 검증하고, 액시온 유사 입자(axion-like particles)나 우주론 전역 피팅과 같은 다른 현상론적 시스템에 대한 이 프레임워크의 적응 가능성을 논의한다. 마지막으로 SHAP(Shapley Additive exPlanations) 값을 활용하여 특징 중요도에 대한 투명한 분석을 제공하며, 머신러닝 예측이 물리적으로 해석 가능하고 기저 물리학과 일관되게 유지되도록 한다.
중첩 표본추출(NS) 기법은 고가능도 영역을 효율적으로 탐색하는 능력 덕분에, 특히 우주론과 천문학 분야에서 널리 주목받아 왔습니다. 이는 암시적 가능도 최적화와 유사한 특징으로서, NS의 성공을 뒷받침합니다. NS의 전체 이론적 유도는 복잡하며 여러 근사를 포함하지만, 핵심적인 과제는 성능에 결정적인 가능도 제약 사전분포(likelihood-constrained priors)로부터의 표본추출에 있습니다. 본 연구는 NS 유도에 대한 포괄적이고 상세한 설명을 제공하여, 이론적 기초와 실제적 과제를 모두 명확히 합니다. 우리는 NS 절차에 대한 철저한 설명을 제공하며, 장점과 잠재적 한계를 모두 강조합니다. 이를 통해 본 연구는 해당 방법에 대한 이해를 심화하고, 다양한 과학적 응용 분야에 걸쳐 향후 개선, 새로운 변형, 그리고 더 효율적인 구현의 개발을 촉진하는 것을 목표로 합니다. 따라서 본 연구의 주요 기여는 두 가지입니다. 해당 분야의 입문자를 위한 튜토리얼 역할과 숙련된 실무자를 위한 비판적 리뷰 역할을 수행한다는 점입니다.
파워 스펙트럼을 넘어선 우주론적 정보를 복원하는 것은 물질 밀도의 후기 비가우시안 신호가 2점 통계만으로는 접근할 수 없기 때문에 향후 우주론적 관측의 핵심 목표입니다. 마크 통계는 비선형 함수를 사용하여 필드에 가중치를 재조정함으로써 이 정보의 일부를 2점 수준으로 다시 반영합니다. 우리는 형태학적 수준에서 우주론적 정보의 이득을 직접 해석할 수 있도록 하는 해석 가능하고 물리적으로 동기 부여된 변환 집합을 통해 이 과정을 일반화하는 신경망 마킹 방식을 제안합니다. 우리는 학습 가능한 마크 요약을 기저 우주론적 매개변수와 정렬하기 위해 대조 학습 목적함수를 사용합니다. $k_{\max}=0.2\,h\mathrm{Mpc}^{-1}$에서 우리의 신경망 마크는 고전적 마크와 비교하여 $σ_8$에 대한 주변화된 제약 조건을 $2.9\times$, $Ω_m$에 대한 제약 조건을 $1.8\times$ 강화하여 피셔 정보 수준에서 $Ω_m-σ_8$ 축퇴성을 깨뜨립니다. 또한 이는 최고의 고전적 마크 대비 우리의 우주론적 매개변수 사전 분포 전반에 걸쳐 매개변수 MSE를 $1.45\times$ 더 감소시킵니다. 학습된 잠재 기하학은 매개변수 공간에서 $Ω_m$ 및 $σ_8$ 방향과 정렬되며, 이는 대조 목적함수가 우주론적 정보의 주요 축을 복원함을 나타냅니다. 우리의 접근 방식은 우주론적 추론을 위한 더 강력하고 해석 가능한 요약 통계의 가능성을 엽니다.
시계열 분석은 머신러닝의 핵심 구성 요소로, 특히 시간적 데이터가 풍부한 천체물리학과 우주론 분야에서 중요하다. 이 장은 머신러닝 관점에서 시계열 분석 기법을 교육적으로 개괄한다. 시계열의 기본 개념(정상성, 자기상관, 계절성), 고전적 통계 모델(자기회귀, 이동 평균, ARIMA, 지수 평활, 상태공간 모델), 그리고 현대적 머신러닝 접근법을 다룬다. 특히 전통적 통계 방법이 어떻게 기반을 마련하는지 논의하고, 시계열을 위한 머신러닝 방법—특징(feature) 기반 회귀, 트리 기반 앙상블(ensemble) 방법, 은닉 마르코프 모델, 가우시안 프로세스, 심층 학습(deep learning) 모델(순환 신경망, 합성곱 네트워크, 트랜스포머)—을 탐구한다. 전반에 걸쳐 공통 원리를 강조하기 위해 다양한 도메인(천문학, 기상 예측, 금융 등)에서 가져온 예시를 활용한다. 이 장의 목표는 독자들이 자신의 연구에서 시계열 분석에 머신러닝 기법을 적용할 수 있도록 이론적 이해와 실용적 맥락을 모두 갖추도록 하는 것이다.