이르면 2026년 9월 발사가 예정된 Nancy Grace Roman 우주 망원경 (Roman)은 전례 없는 공간 해상도와 케이던스 (cadence)를 갖춘 광시야 적외선 영상 조사 (wide-field infrared imaging surveys)를 수행하여 수백만 개의 천문학적 과도 현상 (transients)을 발견할 수 있게 할 것입니다. 따라서 망원경이 발사된 직후 신뢰할 수 있는 과도 현상 및 변광 객체 (variable objects)를 즉시 발견할 수 있도록 경보 (alerts)를 생성하는 자동화된 파이프라인 (pipelines)을 구축하는 것이 필요합니다. 그러나 현재 실제 Roman 데이터가 존재하지 않아 이러한 파이프라인을 개발하는 데 어려움이 있습니다. 본 연구에서는 RAPID 파이프라인 내에서 실제 과도 현상 및 변광 탐지 결과와 가짜 (bogus) 탐지 결과를 구별하기 위한 머신러닝 (machine learning) 모델인 $RuBR$과 일반적인 방법론을 제시합니다. 특히, 우리는 이 방법론을 사용하여 세 가지 모델을 제시합니다: 로컬에서 주입된 (locally injected) 데이터와 OpenUniverse2024 과도 현상을 결합하여 학습 및 테스트한 $RuBR_{comb}$, 로컬 주입 과도 현상으로 학습하고 OpenUniverse2024 과도 현상으로 테스트한 $RuBR_{loc}$, 그리고 학습을 위해 도메인 적응 (domain-adaptation) 모드로 로컬 주입 과도 현상과 OpenUniverse2024 과도 현상의 일부를 결합한 $RuBR_{DA}$입니다. 이는 Roman 미션의 초기 단계에서 정답 레이블 (ground-truth labels)이 없는 상황에서 $RuBR_{comb}$ 모델을 실제 관측 데이터에 적응시키기 위한 전략의 길을 열어줍니다. 영상 차분 (image differencing) 파이프라인이 계속 개선되는 동안, 우리의 실험 결과는 제안된 접근 방식의 효과와 Roman 시대의 견고한 실재-가짜 (real-bogus) 분류에 대한 가능성을 입증합니다.