數據序列分類是數據科學中一個重要且具有挑戰性的問題。在許多應用中，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。卷積神經網絡在數據序列分類任務中表現良好;然而，這類算法對于多元數據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。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;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)設計的維度類激活圖。在多個合成數據集和真實數據集上的實驗表明，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現和分類解釋的唯一可行解決方案。

閱讀者總結：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。在技術處理和模型設計上沒有感覺煥然一新，比如深度學習里利用attention機制實現可解釋性。

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據組織和一種新的CAM技術，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據維度不同排列的信息的技術。因此，我們可以應用CAM的任何類型的架構都可以從我們的方法中受益

?

?圖3描述了dCNN架構。輸入C(T)被轉發到一個經典的二維CNN。體系結構的其余部分獨立于輸入數據結構。后者意味著可以使用任何其他二維架構(包含全局平均池化)(如ResNet)，只需調整輸入數據結構。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和ADAM優化器。

Dimension-wise Class Activation Map?

1）Random Permutation Computations.

?

?

?Merging Permutations

?

dCAM Extraction.

?

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

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。