數(shù)據(jù)序列分類是數(shù)據(jù)科學中一個重要且具有挑戰(zhàn)性的問題。在許多應(yīng)用中，都有實際需要，通過找到輸入中導致算法做出某些決策的判別部分來解釋分類決策。卷積神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)序列分類任務(wù)中表現(xiàn)良好;然而，這類算法對于多元數(shù)據(jù)序列這一特定情況的解釋性較差。解決這個重要的限制是一個重大的挑戰(zhàn)。本文提出一種新的方法，通過同時突出時間和維度的判別信息來解決這個問題。本文的貢獻是雙重的:首先描述了一種能夠比較維度的卷積架構(gòu);提出一種返回dCAM的方法，dCAM是專門為多元時間序列(和基于cnn的模型)設(shè)計的維度類激活圖。在多個合成數(shù)據(jù)集和真實數(shù)據(jù)集上的實驗表明，dCAM不僅比以往的方法更準確，而且是多元時間序列中判別性特征發(fā)現(xiàn)和分類解釋的唯一可行解決方案。

閱讀者總結(jié)：這篇論文將CAM這個模型改換到多維時間序列上，對重要的分類特征實現(xiàn)可解釋性。可以理解為提取多元時間序列上每個維度的特征，然后進行融合，再提取特征。在技術(shù)處理和模型設(shè)計上沒有感覺煥然一新，比如深度學習里利用attention機制實現(xiàn)可解釋性。

方法：

本文提出了一種新方法，通過解決基于cnn的流行模型的這一限制來填補空白。本文提出一種新的數(shù)據(jù)組織和一種新的CAM技術(shù)，dCAM(維度類激活圖)，能夠同時突出時間和維度信息。例如，在圖1中，dCAM(底部熱圖)指向特定維度的特定子序列，解釋了為什么兩種手勢不同。該方法只需要一個訓練階段，不受架構(gòu)類型的限制，并且可以高效有效地檢索可判別特征，這得益于一種利用來自輸入數(shù)據(jù)維度不同排列的信息的技術(shù)。因此，我們可以應(yīng)用CAM的任何類型的架構(gòu)都可以從我們的方法中受益

?

?圖3描述了dCNN架構(gòu)。輸入C(T)被轉(zhuǎn)發(fā)到一個經(jīng)典的二維CNN。體系結(jié)構(gòu)的其余部分獨立于輸入數(shù)據(jù)結(jié)構(gòu)。后者意味著可以使用任何其他二維架構(gòu)(包含全局平均池化)(如ResNet)，只需調(diào)整輸入數(shù)據(jù)結(jié)構(gòu)。同樣，訓練過程也可以由用戶自由選擇。在本文的其余部分，我們將使用交叉熵損失函數(shù)和ADAM優(yōu)化器。

Dimension-wise Class Activation Map?

1）Random Permutation Computations.

?

?

?Merging Permutations

?

dCAM Extraction.

?

?實驗跳過.................................

總結(jié)

以上是生活随笔為你收集整理的dCAM: Dimension-wise Class Activation Mapfor Explaining Multivariate Data Series Classification(DB)的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。