Open munema opened 4 years ago
Paper link : https://www.ijcai.org/Proceedings/2019/932 Author : Roy Assaf, Anika Schumann Conference : IJCAI 2019 (Demos)
CNNは時系列データに対しても適用することが可能である. 本論文では2段階の畳み込み層を用いる. これにより, saliency mapを用いてどこの地点が予測に重要であるかを説明することができる.
最初のステップでは, フィルターサイズ k×1 (kタイムステップ)の2D畳み込みを行う. これにより, 様々なパターンを検出することができるフィルターを学習することができる. このステップでは, 1×1の畳み込みに従って [Lin et al., 2013], inception moduleのようなSOTAなネットワークを使用する. これにより特徴マップの数を1つにすることができる. これは, 次のステップで1D畳み込み層を用いたいためである. 1D畳み込み層でのフィルターサイズをk×n (nは特徴量数)にすることで全ての特徴量の重要なパターンを検知することができる. saliency mapの作成にはgrad-CAMを用いる.
電力消費量の分類タスクに対して, 重要度が可視化されていることがわかる (Figure 1).
参考文献 [Lin et al., 2013] Min Lin, Qiang Chen, and Shuicheng Yan. Network in network. arXiv preprint arXiv:1312.4400, 2013.
Paper link : https://www.ijcai.org/Proceedings/2019/932 Author : Roy Assaf, Anika Schumann Conference : IJCAI 2019 (Demos)
概要
CNNは時系列データに対しても適用することが可能である. 本論文では2段階の畳み込み層を用いる. これにより, saliency mapを用いてどこの地点が予測に重要であるかを説明することができる.
最初のステップでは, フィルターサイズ k×1 (kタイムステップ)の2D畳み込みを行う. これにより, 様々なパターンを検出することができるフィルターを学習することができる. このステップでは, 1×1の畳み込みに従って [Lin et al., 2013], inception moduleのようなSOTAなネットワークを使用する. これにより特徴マップの数を1つにすることができる. これは, 次のステップで1D畳み込み層を用いたいためである. 1D畳み込み層でのフィルターサイズをk×n (nは特徴量数)にすることで全ての特徴量の重要なパターンを検知することができる. saliency mapの作成にはgrad-CAMを用いる.
評価実験
電力消費量の分類タスクに対して, 重要度が可視化されていることがわかる (Figure 1).![スクリーンショット 2020-01-25 17 46 26](https://user-images.githubusercontent.com/28722930/73118678-a7be4700-3f9a-11ea-9d26-a82071cfe0f1.png)
参考文献 [Lin et al., 2013] Min Lin, Qiang Chen, and Shuicheng Yan. Network in network. arXiv preprint arXiv:1312.4400, 2013.