이산형-CNN을 이용한 다변량 시계열 분류

시계열 분류 알고리즘은 주로 딥러닝이 아닌 모델에 의해 주도되어 왔다. 최근 들어 다변량 시계열 분류(MTSC) 분야에서 딥러닝 기법에 대한 관심이 크게 증가하고 있다. 현재 최고 성능을 보이는 대부분의 딥러닝 방법은 합성곱 기반으로, 1차원(1D) 합성곱을 사용하여 2차원 시계열 데이터로부터 특징을 추출한다. 본 연구에서는 1D 합성곱 필터를 서로 분리된 시계열적(시간적) 및 공간적 구성 요소로 분해함으로써, 거의 추가적인 계산 비용 없이도 성능 향상이 크게 이루어짐을 보여준다. 본 연구에서 제안한 분리된 시계열-공간 필터 기반의 분석을 바탕으로, 차원 간의 상호작용을 강조하여 합성곱 기반 딥러닝 MTSC 모델의 성능을 향상시키는 새로운 필터 블록인 '1+1D'를 설계하였다. 또한, 제안한 1+1D 필터 블록을 활용하여 새로운 효과적인 MTSC 방법인 Disjoint-CNN을 제안하였으며, UEA 다변량 시계열 아카이브에 포함된 26개 데이터셋에 대한 광범위한 실험을 통해, 본 모델(Disjoint-CNN)이 9개의 MTSC 기준 모델 중 평균 순위가 가장 높으며, 기존 최고 성능 모델들을 모두 상회함을 입증하였다.