2일차: Transfer learning for Time series classification
2929 단어 심층 학습과도 학습시간 시퀀스 데이터
읽은 논문
Transfer learning for time series classification
Hassan Ismail Fawaz, Germain Forestier, Jonathan Weber, Lhassane Idoumghar, Pierre-Alain Muller
https://arxiv.org/abs/1811.01533
이 같은 논문을 읽었으니 간단히 요약하자면, IEEE International Conference on BigData 2018에 발표BigD445됐다.
삼행으로 총결하다
제안 수법
모델 작업
이번에 사용한 모델은 Fig.3과 같이 1차원 시간 서열 데이터에 대해 1dConv를 3층, fully-connected 간 예측 클래스의 간단한 구조를 사용했다. 본고는 이동 학습의 유효성을 검증하고 모델 구조에 국한되지 않는 방법을 제시했다.특별히 간단한 모형을 채택하였다.
이동 학습
여기서 Global Average Pooling을 사용하는 장점으로 가변 길이의 시간 시퀀스를 입력해도 여기서 길이를 고정할 수 있다는 설명이 있습니다.화조사해 보았다는 채널마다 평균적인 Pooling인 것 같다. 즉, 시간 서열 길이에 상관없이 채널 길이의 1차원 벡터가 될 수 있다.같은 영역에서도 서로 다른 입력 길이를 허용한다는 뜻인지 모르겠다. (원래 후자와 같은 가변 길이 모델이 실현될 수 있을까?)
데이터 세트 간의 유사도 추측
총결산
논문 선정을 포함해서 두 시간이 지났으니 평가 부분은 사랑하지 않겠습니다. 더 빨리 읽지 않으면 계속할 수 없을 것 같아서... 그나저나 이 논문은60GPU(GTX1080 Ti, Tesla K20, K40, K80의 믹스) 클러스터에서 168일간 평가 실험을 했습니다. 음. (그렇게 생각하면 1GPU는 168일이 걸리는데 클러스터 덕분에 일주일 정도 완성된 것 같아요. 아무래도 클러스터가 재밌고,총괄적으로 말하면 매우 고통스러워서 이번에는 끝났다.
F. Petitjean and P. Ganc¸arski, “Summarizing a set of time series by averaging: From steiner sequence to compact multiple alignment,” Theoretical Computer Science, vol. 414, no. 1, pp. 76 – 91, 2012. ↩
Reference
이 문제에 관하여(2일차: Transfer learning for Time series classification), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/himatya/items/6c4aaaa1da8ea0e41906텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)