Time Series Classification Using Multi-Channels Deep Convolutional Neural Networks

Time Series Classification Using Multi-Channels Deep Convolutional Neural Networks 

(다채널 딥 콘볼루션 신경망을 이용한 시계열 분류)

Yi Zheng, Qi Liu, Enhong Chen, Yong Ge,  and J. leon Zhao

이 논문은 다채널 딥 콘볼루션 신경망을 이용한 시계열 분류에 관한 논문임

시계열 분류에는 sequence distance measurement와 feature-based classification이 있음

sequence distance measurement에는 DTW(Dynamic Time Warping)이라 불리는 기법과 함께 K-NN(k-nearest neighbor) 알고리즘을 같이 쓴 기법이 최신 기법임

이 논문에서 접근하는 것은 feature-based 방법인데, 이전까지는 도메인 전문가가 손으로 특징(feature)를 개발해냈음

하지만 여기서는 콘볼루션 신경망(convolution neural networks)을 이용해 특징을 자동으로 찾는 방법에 대해 접근함

이들이 제안한 MC-DCNN(Multi-Channels Deep Convolutional Neural Networks)은 개별 시계열에 대한 filter를 적용해 개별 feature를 찾고, 2 stage에 걸쳐서 더 고차원의 표현을 찾는 것임

이와 같은 아키텍쳐를 사용함

DTW와 1-NN을 같이 쓴 방법보다 더 정확도면에서도 낫고, 

DTW와 1-NN의 문제점인 계산 비용에 관한 문제에서도 더 나은 성능을 보임

stage(layer)가 늘 수록 더 강건(Robust)하고 더 고차원의 표현(high level representation)을 학습하여 좋은 성과를 내는 것을 보임

이 후 연구과제로는 더 많은 데이터셋에 다변량 시계열 분류에 딥러닝을 사용하고 싶고, 라벨되지 않은 데이터에 대해 비지도 학습을 수행하려고 함