USmorph 鲁棒性分析 I：无监督策略与监督学习在星系形态分类中的泛化效率

我们对混合机器学习框架 \texttt{USmorph} 进行了系统的鲁棒性分析，该框架整合了无监督与监督学习用于星系形态分类。尽管 \texttt{USmorph} 已应用于 COSMOS 场中近 10 万张 I 波段星系图像（$0.2 < z < 1.2$，$I_{\mathrm{mag}} < 25$），但其核心模块的稳定性尚未得到定量评估。我们的测试表明，卷积自编码器（CAE）在采用中间网络深度、$5\times5$ 卷积核和 40 维潜在表示时，在结构信息保持方面达到最佳性能。自适应极坐标变换（APCT）有效增强了旋转不变性，提升了下游任务的鲁棒性。在无监督阶段，聚类数 $K=50$ 的 bagging 提供了分类粒度与标注效率之间的最优权衡。对于监督学习，我们采用 GoogLeNet，其表现出稳定的性能且无过拟合。我们通过两项独立测试验证了最终分类的可靠性：（1）t 分布随机邻域嵌入（t-SNE）可视化揭示了低维空间中清晰的聚类边界；（2）形态分类与星系演化的理论预期一致，真阳性与假阳性在参数空间中均呈现无偏分布。这些结果证明了 \texttt{USmorph} 算法的强鲁棒性，为其未来应用于中国空间站望远镜（CSST）任务提供了指导。