時系列分類のための深層時間畳み込みネットワーク

複雑なデータ関数と一致するニューラルネットワークは、変動の大きいデータの有用な側面を学習することができるため、分類性能を向上させる可能性があります。本研究では、時系列データの時間的コンテキストがネットワークを通じて学習のために通過するデータの有用な側面として選択されます。ネットワークの各レベルで時系列データの構成局所性を利用することで、異なる時間スケールでシフト不変の特徴を層ごとに抽出することができます。時間的コンテキストは、連結操作に基づく一連のデータ処理操作によってネットワークの深い層で利用可能となります。修正されたネットワークに対するマッチング学習アルゴリズムが本論文で説明されています。それはバックプロパゲーションパスの中で勾配ルーティングを使用します。本研究で提案されたフレームワークは、データに対してネットワークを過剰適合させることなくより良い一般化を達成し、重みを適切に事前学習することができます。また、手動での特徴作成やデータ変換を必要とせず、生の形の多変量時系列データとエンドツーエンドで使用できます。脳波信号および人間の活動信号に関するデータ実験では、提案されたネットワークの深い層における適切な量の連結により、信号分類の性能が向上することが示されています。