Eine dynamische gewichtete tabellarische Methode für konvolutionale neuronale Netzwerke

Traditionelle Machine Learning (ML)-Modelle werden im Allgemeinen für Klassifizierungsaufgaben auf tabellarischen Datensätzen bevorzugt, die oft unbefriedigende Ergebnisse bei komplexen tabellarischen Datensätzen liefern. Neuere Arbeiten, die konvolutionale neuronale Netzwerke (CNN) mit Embedding-Techniken verwenden, übertreffen die traditionellen Klassifizierer auf tabellarischen Datensätzen. Diese Embedding-Techniken versagen jedoch darin, einen automatisierten Ansatz zu verwenden, nachdem die Wichtigkeit der Merkmale im Datensatz genau analysiert wurde. Diese Studie führt eine neuartige Merkmals-Embedding-Technik namens Dynamic Weighted Tabular Method (DWTM) ein, die dynamisch Merkmalsgewichte basierend auf ihrer Stärke der Korrelationen zu den Klassenlabels verwendet, während sie beliebige CNN-Architekturen auf den tabellarischen Datensätzen anwendet. DWTM verwandelt jeden Datenpunkt in Bilder und füttert sie dann in eine CNN-Architektur. Es bettet die Merkmale des tabellarischen Datensatzes dynamisch basierend auf deren Stärke ein und weist den Pixelpositionen die entsprechenden Merkmale im Bildcanvas-Raum zu, anstatt eine statische Konfiguration zu verwenden. In diesem Papier wird die DWTM-Embedding-Methode unabhängig über sechs Benchmark-Tabellendatensätze unter Verwendung von drei verschiedenen CNN-Architekturen (d.h. ResNet-18, DenseNet und InceptionV1) angewendet und es wurde eine hervorragende Leistung (eine durchschnittliche Genauigkeit von 98%) erzielt, die alle traditionellen und CNN-basierten Klassifizierer übertrifft.