다변량 LSTM-FCNs을 이용한 시계열 분류

지난 10년 동안 다변량 시계열 분류는 많은 주목을 받았습니다. 본 연구에서는 기존의 단일 변수 시계열 분류 모델인 장단기 기억력 완전 합성곱 네트워크(Long Short Term Memory Fully Convolutional Network, LSTM-FCN)와 주의력 LSTM-FCN(Attention LSTM-FCN, ALSTM-FCN)을 정확도를 더욱 향상시키기 위해 완전 합성곱 블록에 스퀴즈 앤드 익스테이션(Squeeze-and-Excitation, SE) 블록을 추가하여 다변량 시계열 분류 모델로 변환하는 방법을 제안합니다. 제안된 모델들은 최소한의 전처리가 필요하면서도 대부분의 최신 모델들을 능가하는 성능을 보입니다. 제안된 모델들은 활동 인식이나 행동 인식과 같은 다양한 복잡한 다변량 시계열 분류 작업에서 효율적으로 작동합니다. 또한, 제안된 모델들은 테스트 시간에 매우 효율적이며 메모리 제약이 있는 시스템에서도 배포할 수 있을 정도로 충분히 작습니다.