초록
긴 순차 데이터의 분류는 중요한 머신러닝 과제이며, 다양한 응용 시나리오에서 등장한다. 순환 신경망(RNN), 트랜스포머(Transformer), 합성곱 신경망(CNN)은 순차 데이터로부터 학습하는 세 가지 주요 기법이다. 이 중에서 매우 긴 시계열에 대해 확장 가능한 시간 합성곱 네트워크(TCN)는 시계열 회귀 문제에서 뛰어난 성과를 거두었다. 그러나 TCN은 비대칭적인 연결 구조를 사용하고, 분류 결과를 마지막 위치에서만 출력하기 때문에, 전체 시퀀스에 대한 정보를 효과적으로 활용하지 못해 분류 과제에서 만족스럽지 못한 성능을 보이고 있다. 본 연구에서는 모든 위치가 이전 계층의 다른 위치로부터 정보를 동일한 기회로 수신할 수 있도록 하는 대칭적 다중 스케일 아키텍처인 원형 확장 합성곱 신경망(CDIL-CNN)을 제안한다. 본 모델은 모든 위치에서 분류 로짓을 출력하며, 간단한 앙상블 학습을 통해 더 나은 결정을 도출할 수 있다. CDIL-CNN은 다양한 긴 순차 데이터셋에서 검증되었으며, 실험 결과 기존의 여러 최신 기법들에 비해 뛰어난 성능을 보였다.