Deep Learning für die Zeitreihenklassifikation

Die Zeitreihenanalyse ist ein Bereich der Datenwissenschaft, der sich mit der Analyse von Zahlenfolgen befasst, die nach Zeitreihen geordnet sind. Zeitreihen sind besonders interessant, da sie es ermöglichen, die Entwicklung eines Prozesses über die Zeit visuell darzustellen und zu verstehen. Ihre Analyse kann Trends, Zusammenhänge und Ähnlichkeiten innerhalb der Daten aufdecken. Es existieren zahlreiche Bereiche, in denen Daten in Form von Zeitreihen vorliegen: Gesundheitswesen (Elektrokardiogramm, Blutzuckerwerte usw.), Aktivitätserkennung, Fernerkundung, Finanzen (Kursentwicklungen an der Börse), Industrie (Sensordaten) usw. Die Klassifikation von Zeitreihen besteht darin, Algorithmen zu entwickeln, die Zeitreihendaten automatisch beschriften. Aufgrund der sequenziellen Struktur von Zeitreihendaten sind spezielle Algorithmen erforderlich, die diese zeitliche Struktur effektiv nutzen können, wodurch herkömmliche, „off-the-shelf“-Maschinenlernmodelle für tabellarische Daten für diese Aufgabe suboptimal sind. In diesem Kontext ist in den letzten Jahren das Deep Learning als eine der effektivsten Methoden zur Lösung überwachter Klassifikationsaufgaben hervorgetreten, insbesondere im Bereich der Computer Vision. Das Hauptziel dieser Arbeit bestand darin, tiefe neuronale Netze zu untersuchen und zu entwickeln, die speziell für die Klassifikation von Zeitreihendaten konzipiert sind. Wir führten somit die erste umfassende experimentelle Studie durch, die es ermöglichte, die bestehenden Deep-Learning-Methoden miteinander zu vergleichen und ihre Positionierung im Vergleich zu anderen state-of-the-art-Methoden, die auf nicht-deep-learning-basierten Ansätzen beruhen, zu analysieren. Anschließend leisteten wir zahlreiche Beiträge auf diesem Gebiet, insbesondere im Kontext von Transfer Learning, Datenaugmentation, Ensembling und adversariellen Angriffen. Schließlich haben wir außerdem eine neuartige Architektur vorgeschlagen, die auf dem berühmten Inception-Netzwerk (Google) basiert und zu den effizientesten Lösungen in der aktuellen Forschung zählt.