시계열 분류를 위한 중간 타깃을 활용한 딥 컨볼루션 신경망

딥 컨볼루션 신경망(DCNN)은 이미지 인식을 포함한 다양한 응용 분야에서 성공적으로 활용되어 왔다. 센서 데이터를 활용한 작업과 같은 다양한 응용에서 생성되는 시계열 데이터는 이미지 데이터와는 다른 특성을 가지며, 이에 따라 시계열 데이터 처리를 위해 특화된 CNN 구조가 필요하다. 본 논문에서는 시계열 데이터를 분류하기 위한 새로운 CNN을 제안한다. 기존의 단일 출력 방식이 아니라, 훈련 과정에서 은닉층의 가중치 조정을 제어하기 위해 다양한 은닉층에서 추출한 새로운 중간 출력을 도입한다. 중간 출력을 위한 타깃값으로 중간 타깃(intermediate targets)을 사용하여 방법의 성능을 향상시킨다. 중간 타깃은 주 타깃(main target)과 구분된다. 또한 제안된 방법은 원본 훈련 샘플과 중간 타깃을 활용하여 인공적으로 훈련 인스턴스 수를 증가시킨다. 제안된 접근법은 원본 훈련 샘플을 기반으로 하는 분류 과제를, 훈련 인스턴스 수가 매우 많은 두 클래스를 포함하는 새로운(그러나 동등한) 분류 과제로 변환한다. 시계열 분류를 위한 제안된 CNN 모델인 CNN-TS는 두 시계열 간의 거리에 따라 특징을 추출한다. CNN-TS는 다양한 벤치마크 시계열 데이터셋을 대상으로 평가되었으며, 기존 CNN 기반 방법(중간층 없음)보다 전반적인 정확도에서 5.1% 높은 성능을 달성하였다. 또한 전통적인 기계학습 방법인 선형 SVM, RBF SVM, RF보다 평균 정확도에서 21.1% 높은 성능을 보였다. 더불어 CNN-TS는 ResNet 방법 대비 평균적으로 8.43배 빠른 훈련 속도를 기록하였다.